CN115374298A - 基于索引的虚拟形象数据处理方法及装置 - Google Patents
基于索引的虚拟形象数据处理方法及装置 Download PDFInfo
- Publication number
- CN115374298A CN115374298A CN202211142139.0A CN202211142139A CN115374298A CN 115374298 A CN115374298 A CN 115374298A CN 202211142139 A CN202211142139 A CN 202211142139A CN 115374298 A CN115374298 A CN 115374298A
- Authority
- CN
- China
- Prior art keywords
- index
- image
- data
- virtual
- virtual image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 55
- 238000013139 quantization Methods 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011002 quantification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本说明书实施例提供了基于索引的虚拟形象数据处理方法及装置,其中,一种基于索引的虚拟形象数据处理方法包括:获取虚拟世界中的虚拟形象数据的索引标识;确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
Description
技术领域
本文件涉及虚拟化技术领域,尤其涉及一种基于索引的虚拟形象数据处理方法及装置。
背景技术
虚拟世界提供了对真实世界的模拟,甚至能够提供在真实世界难以实现的场景,因此虚拟世界越来越多地应用在各种场景。在虚拟世界场景中,用户通过特定的身份ID登录三维虚拟世界,通过虚拟世界中虚拟的用户角色进行活动,通常,在虚拟世界中存在不同的用户角色,这些用户角色各自进行不同的活动。
发明内容
本说明书一个或多个实施例提供了一种基于索引的虚拟形象数据处理方法。所述基于索引的虚拟形象数据处理方法,包括:获取虚拟世界中的虚拟形象数据的索引标识。确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目。读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据。基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
本说明书一个或多个实施例提供了一种基于索引的虚拟形象数据处理装置,包括:索引标识获取模块,被配置为获取虚拟世界中的虚拟形象数据的索引标识。目标索引条目确定模块,被配置为确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目。索引值读取模块,被配置为读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据。形象重建模块,被配置为基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
本说明书一个或多个实施例提供了一种基于索引的虚拟形象数据处理设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:获取虚拟世界中的虚拟形象数据的索引标识。确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目。读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据。基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:获取虚拟世界中的虚拟形象数据的索引标识。确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目。读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据。基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图;
图1为本说明书一个或多个实施例提供的一种基于索引的虚拟形象数据处理方法处理流程图;
图2为本说明书一个或多个实施例提供的一种应用于虚拟世界场景的基于索引的虚拟形象数据处理方法处理流程图;
图3为本说明书一个或多个实施例提供的一种基于索引的虚拟形象数据处理装置示意图;
图4为本说明书一个或多个实施例提供的一种基于索引的虚拟形象数据处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
本说明书提供的一种基于索引的虚拟形象数据处理方法实施例:
本实施例提供的基于索引的虚拟形象数据处理方法,通过将虚拟形象以索引的形式存储,且在对虚拟形象数据进行存储的过程中,对于任一类别下的虚拟形象,在存储时仅存储类别标识形象的形象数据,降低对存储空间的需求,在需要查看虚拟形象的过程中,根据虚拟形象的索引标识,查询虚拟形象对应的索引条目中的索引值,基于索引值中的形象数据和索引标识进行形象重建处理,获得查询的虚拟形象;具体的,根据对虚拟世界中的虚拟形象进行查询的索引标识,在索引列表中查询索引标识映射的索引值;基于所述索引标识和所述索引值中的形象数据进行形象重建处理,获得虚拟形象。以此,无需存储大量的虚拟形象,避免占用大量的存储空间,且在存储时存储对应的类别标识形象的形象数据,后续基于索引标识和类型标识形象的形象数据进行虚拟形象的形象重建,在节省存储空间的同时保证重建的虚拟形象的形象质量。
参照图1,本实施例提供的基于索引的虚拟形象数据处理方法,具体包括步骤S102至步骤S108。
步骤S102,获取虚拟世界中的虚拟形象数据的索引标识。
本实施例所述虚拟世界,是指基于去中心化协作实现并且具有开放经济系统的虚拟的拟真世界,可选的,所述虚拟世界中通过生成非同质化标识进行去中心化的交易,通过交易占有虚拟资产的所有权。具体的,真实世界中的用户可通过接入设备接入虚拟世界,以在虚拟世界中进行去中心化的交易和其他行为,比如用户通过接入设备进行游戏交互的游戏虚拟世界,再比如用户通过接入设备进行在线会议的会议虚拟世界,或者用户通过接入设备进行在线交易的交易虚拟世界;
进一步,还可建立虚拟世界中虚拟形象与真实世界中的用户的身份映射,基于建立的身份映射在虚拟世界中通过生成非同质化标识进行虚拟资产的交易,并通过交易占有虚拟资产的所有权。所述虚拟世界的接入设备,可以是连接虚拟世界的VR(VirtualReality,虚拟现实)设备、AR(Augmented Reality,增强现实)设备等,比如连接虚拟世界的头戴式VR设备。所述服务端,是指为接入虚拟世界的接入设备提供相应服务的服务器或者服务平台,或者,维护虚拟世界运行的服务器或者服务平台。
本实施例中,虚拟形象是指从用户的图像出发,采用图像重建技术对用户的图像进行重建获得的用于在虚拟世界内展示用户形象的三维数字图像(三维数字形象),或者,从用户的图像出发,采用图像重建技术对用户的图像进行重建获得的虚拟世界内的与真实世界中的用户具有数字孪生关系或者身份映射的数字孪生形象。比如,在采集到用户在真实世界的多个视角的用户图像的基础上,通过将多个视角的用户图像输入神经辐射场NeRF(Neural Radiance Fields)模型进行图像重建,获得虚拟世界内的三维数字形象、数字孪生形象或者身份映射形象。所述虚拟形象数据,包括用户表征虚拟世界中的虚拟形象的虚拟数据。
具体实施时,针对每个虚拟形象创建一个索引,获得索引列表,用于后续进行虚拟形象的查询。可选的,所述索引列表中的索引条目与虚拟形象一一对应;若索引条目中的索引值包括形象数据,则该索引条目对应的虚拟形象为类别标识形象;若索引条目中的索引值包括类别标识形象的形象特征和形象数据,则该索引条目对应的虚拟形象为类别标识形象所属类别下的虚拟形象。
具体的,虚拟形象与索引条目一一对应。索引列表在创建过程中,获取至少一个虚拟形象数据,对至少一个虚拟形象数据进行数据处理,获得至少一个虚拟形象数据的索引。
下述对至少一个虚拟形象数据的索引条目的创建过程进行说明。
索引条目包括索引标识和索引值两部分,因此,创建各虚拟形象数据的索引条目的过程,也即是确定各虚拟形象对应的索引标识和索引值的过程。
(1)确定至少一个虚拟形象中各虚拟形象的形象量化特征
为了提升索引标识对虚拟形象的表征程度,对虚拟形象数据对应的多模态特征进行相应处理,获得虚拟形象数据对应的虚拟形象的形象量化特征,将形象量化特征作为虚拟形象的索引条目的索引标识。所述相应处理包括:降维处理和量化处理。
可选的,虚拟形象数据的形象量化特征,采用如下方式确定:
将至少一个虚拟形象数据中各虚拟形象数据和对应的二维形象数据输入特征识别模型进行多模态特征识别,获得各虚拟形象数据对应的虚拟形象的多模态特征;
对各虚拟形象的多模态特征进行降维处理,获得各虚拟形象的降维特征;
对各虚拟形象的降维特征进行量化处理,获得各虚拟形象的形象量化特征。
具体的,为了节省存储空间,避免直接将虚拟形象的多模态特征作为索引标识导致存储量大,在将各虚拟形象数据和对应的二维形象数据输入特征识别模型进行多模态特征识别后,对获得的各虚拟形象的多模态特征进行降维量化处理,获得各虚拟形象的形象量化特征。
实际应用中,特征识别模型可预先训练,比如在云服务器上进行特征识别模型的训练,具体在特征识别模型的训练过程中,本实施例提供的一种可选实施方式中,采用如下方式训练特征识别模型:
将虚拟形象样本数据输入待训练的特征识别模型进行多模态特征识别,获得第一模态特征和第二模态特征;
对所述第一模态特征和所述第二模态特征进行数据重建,获得重建数据;
基于所述重建数据和所述虚拟形象样本数据,计算所述待训练的特征识别模型的训练损失,并基于所述训练损失对所述待训练的特征识别模型进行参数调整;
其中,所述第一模态特征对所述虚拟形象样本数据中的虚拟子样本数据进行特征提取获得;所述第二模态特征对所述虚拟形象样本数据中的二维子样本数据进行特征提取获得。
进一步,在基于所述重建数据和所述虚拟形象样本数据,计算所述待训练的特征识别模型的训练损失的过程中,基于对第一模态特征和第二模态特征进行对应模态的数据重建获得的重建数据,以及所述虚拟形象样本数据计算重建损失;
基于对第一模态特征和第二模态特征进行相对模态的数据重建获得的重建数据,以及所述虚拟形象样本数据计算跨模态重建损失;
基于所述重建损失和所述跨模态重建损失计算所述训练损失。
其中,进行对应模态的数据重建包括:对第一模态特征进行第一模态(虚拟模态)的数据重建获得第一重建数据,对第二模态特征进行第二模态(二维模态)的数据重建获得第二重建数据;进行相对模态的数据重建包括:对第一模态特征进行第二模态的数据重建获得第三重建数据,对第二模态特征进行第一模态的数据重建获得第四重建数据。
进一步,计算重建损失包括:计算第一重建数据和虚拟子样本数据的第一重建损失,计算第二重建数据和二维子样本数据的第二重建损失;计算第一重建损失和第二重建损失的和作为重建损失。计算跨模态重建损失包括:计算第三重建数据和二维子样本数据的第一跨模态重建损失,计算第四重建数据和虚拟子样本数据的第二跨模态重建损失;计算第一跨模态重建损失和第二跨模态重建损失的差值作为跨模态重建损失。
特征识别模型可采用两个transformer架构,可选的,两个transformer之间每隔两层就通过特征交互模块进行交互;在训练过程中,将虚拟形象数据样本输入一个transformer,输出为第一模态特征(虚拟特征),将二维形象样本(RGB数据)输入另一个transformer,输出为第二模态特征(二维特征);再计算第一模态特征和第二模态特征的乘积,作为特征识别模型的输出;其中,第一模态特征包含至少一个虚拟特征,第二模态特征包含至少一个二维特征。所述多模态特征,包括虚拟特征和二维特征对应的特征。
在训练过程中,损失函数为重建损失和跨模态重建损失;例如:Loss=L2d+L3d+L2d-3d;其中,L2d为二维特征重建损失;L3d为虚拟特征重建损失;L2d-3d为跨模态重建损失。
利用上述方式进行模型训练,直至模型收敛,获得特征识别模型。通过训练特征识别模型,进而利用特征识别模型对虚拟形象的虚拟形象数据和二维形象数据进行多模态特征识别,在识别的过程中融合了虚拟形象数据和二维形象数据的关联性,使获得的多模态特征更加有效。
获得特征识别模型后,将上述至少一个虚拟形象数据中各虚拟形象数据输入特征识别模型进行多模态特征识别,获得各虚拟形象数据对应的虚拟形象的多模态特征。对各虚拟形象的多模态特征进行降维量化,获得各虚拟形象的形象量化特征。
例如,在获得各虚拟形象的多模态特征后,对各虚拟形象的多模态特征进行PCA(Principal Component Analysis)降维,从512维降维到128维;对于降维获得的各虚拟形象的降维特征使用int8(8位带符号数)量化技术,将降维特征的浮点类型的数据量化为int8类型作为各虚拟形象的形象量化特征,节约87%左右的存储空间。
(2)基于各虚拟形象的形象量化特征确定预设类别以及各类别的类型标识形象
具体实施时,在获得各虚拟形象的形象量化特征后,通过聚类算法对至少一个虚拟形象的形象量化特征进行聚类处理,获得预设类别;后续仅需按照类别以及类别下的类型标识形象对该类别下的其他虚拟形象的索引进行创建,提升索引创建的简便性,减少索引存储所占用的存储空间;本实施例提供的一种可选实施方式中,采用如下方式确定预设类别以及各类别的类型标识形象:
基于至少一个虚拟形象的形象量化特征进行聚类处理,获得至少一个类别作为所述预设类别;
确定各类别下的虚拟形象的形象量化特征满足该类别的类别形象条件的虚拟形象作为该类别的类别标识形象。
具体的,基于至少一个虚拟形象的形象量化特征确定至少一个类别作为预设类别以及各类别的类别标识形象。所述类别形象条件,包括,与类别的平均特征(类别特征)的欧式距离小于其他形象量化特征与平均特征的欧式距离。此外,上述确定各类别下的虚拟形象的形象量化特征满足该类别的类别形象条件的虚拟形象作为该类别的类别标识形象,还可被替换为,确定各类别下的虚拟形象中与该类别的平均特征的欧式距离小于其他形象量化特征与平均特征的欧式距离的形象量化特征对应的虚拟形象作为该类别的类别标识形象;并与本实施例提供的其他处理步骤组成新的实现方式。
例如,对至少一个虚拟形象的形象量化特征进行KMeans聚类,其中,聚类中心(类别)的数量一般是总用户数量的1%至5%,这也就说明,采用索引的方式对虚拟形象进行存储节省了99%至95%的内存。进行聚类处理获得N个类别后,对于每个类别,根据该类别下的虚拟形象的形象量化特征,计算该类别的平均特征,并确定该类别下的虚拟形象中形象量化特征与该平均特征小于其他形象量化特征与平均特征的欧式距离的虚拟形象作为这个类别的类别标识形象。
(3)确定各虚拟形象的索引值
针对上述至少一个虚拟形象;若虚拟形象为类别标识形象,则确定该虚拟形象的索引值为该形象的形象数据;若虚拟形象不为类别标识形象,则确定该虚拟形象所属类别的类别标识形象的形象量化特征和形象数据为该虚拟形象的索引值。
除上述提供的由形象数据或者形象特征和形象数据组成的索引值之外,本实施例中索引值还可以是形象特征和/或形象数据的指针或者存储地址,以此进一步节省存储空间,具体的,对于类别标识形象,索引值为类别标识形象对应的指针;对于类别标识形象同一类别下的其他虚拟形象,索引值可为类别标识形象的形象量化特征和对应的指针。
(4)基于各虚拟形象的形象量化特征和索引值构建各虚拟形象的索引条目
将各虚拟形象的形象量化特征作为索引标识,基于索引标识和索引值构建各虚拟形象的索引条目。
步骤S104,确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目。
可选的,所述目标索引条目由所述目标索引标识以及映射的索引值组成。
具体实施时,为了避免直接基于获取到的索引标识与所有的索引条目进行匹配的匹配效率低,且避免获取到的索引标识不完整或者其他问题导致无法匹配到索引条目,因此,为了提升对虚拟形象的重建效率,本实施例中,在获取到虚拟世界中的虚拟形象数据的索引标识后,通过计算索引标识与索引列表中各索引条目的索引标识的相似度,确定与获取到的索引标识匹配(相似度高于其他索引标识与获取到的索引标识的相似度)的目标索引标识,并检索索引列表中目标索引标识所在的目标索引条目。
与上述提供的各虚拟形象的索引条目的构建方式类似,本实施例提供的一种可选实施方式中,所述目标索引条目,包括所述虚拟形象的形象量化特征;所述形象量化特征,采用如下方式确定:
将所述虚拟形象的虚拟形象数据和二维形象数据输入特征识别模型进行多模态特征识别,获得所述虚拟形象的多模态特征;
对所述多模态特征进行降维处理,获得所述虚拟形象的降维特征;
对所述降维特征进行量化处理,获得所述形象量化特征。
具体的,目标索引条目的形象量化特征,即目标索引标识,与上述提供的索引条目的构建方式类似,本实施例在此不再赘述。
其中,特征识别模型通过将虚拟形象数据和二维形象数据各自对应的特征进行融合,利用虚拟特征和二维特征在识别过程中的互补性,实现对虚拟特征和二维特征在识别过程中的互相促进。本实施例提供的一种可选实施方式中,特征识别模型,通过如下方式进行多模态特征识别:
将所述虚拟形象数据输入第一特征提取网络进行特征提取,获得第一模态特征,以及,将所述二维形象数据输入第二特征提取网络进行特征提取,获得第二模态特征;
基于所述第一模态特征和所述第二模态特征,计算所述虚拟形象的多模态特征。
具体的,特征识别模型通过识别虚拟形象数据和二维数据的虚拟特征和二维特征,计算所述虚拟形象的多模态特征并输出;可选的,所述特征识别模型获得虚拟特征和二维特征后计算虚拟特征和二维特征的乘积作为多模态特征并输出。
步骤S106,读取所述目标索引条目中所述目标索引标识映射的索引值。
可选的,所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据。进一步,所述类别标识形象为虚拟形象所属类别的类别标识形象;所述虚拟形象所属类别基于所述虚拟形象的形象量化特征确定。
在上述确定索引列表中与索引标识匹配的目标索引标识所在的目标索引条目后,在目标索引条目中读取目标索引标识映射的索引值。
与上述对至少一个虚拟形象的索引值的确定方式类似,本实施例提供的一种可选实施方式中,所述目标索引标识映射的索引值,即所述目标索引条目中的索引值,采用如下方式确定:
基于所述形象量化特征,确定所述虚拟形象所属类别;
读取所述类别下的类别标识形象的形象特征和形象数据作为所述目标索引标识映射的索引值。
可选的,在基于形象量化特征,确定虚拟形象所属类别的过程中,首先计算所述形象量化特征与预设类别中各类别的类别特征的特征距离;然后确定与所述形象量化特征的特征距离小于其他类别特征的目标类别特征对应的类别为所述虚拟形象所属类别。
即虚拟形象所属类别为所述虚拟形象的形象量化特征与类别的类别特征距离小于其他距离的类别。
具体实施时,在读取到目标索引标识映射的索引值后,根据索引值确定该虚拟形象是否为类别标识形象;若索引值包含虚拟形象的形象数据一者,则说明该虚拟形象为类别标识形象;可选的,若所述索引值包括所述虚拟形象的形象数据,则基于所述形象数据进行所述虚拟形象的形象重建处理,获得所述虚拟形象。或者,若索引值包括所述虚拟形象的形象数据,则读取预先存储的所属类别的类别形象作为所述虚拟形象。
若索引值包含虚拟形象和形象特征(形象量化特征)两者,则执行下述步骤S108,基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
除此之外,步骤S106还可被替换为,在所述目标索引条目中读取所述目标索引标识映射的包括形象特征和形象数据的索引值;并与本实施例提供的其他处理步骤组成新的实现方式;可选的,所述形象特征和所述形象数据为所述虚拟形象数据所属类别的类别标识形象的形象量化特征和形象数据。
步骤S108,基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
具体实施时,在获取到目标索引标识和目标索引标识映射的索引值中的形象数据后,基于目标索引标识和形象数据进行形象重建处理,获得虚拟形象。为了提升重建的虚拟形象的准确性,本实施例提供的一种可选实施方式中,采用如下方式实现进行形象重建处理的过程:
将所述目标索引标识和所述形象数据输入形象重建模型进行形象重建处理,获得所述虚拟形象;
相应的,所述形象重建模型,采用如下方式进行训练:
将虚拟形象样本的索引标识和对应的类型标识形象的形象数据输入待训练的形象重建模型进行形象重建;
计算形象重建获得的虚拟形象与虚拟形象样本的训练损失;
根据所述训练损失对所述待训练的形象重建模型进行参数调整。
本实施例中,形象重建模型可预先训练,比如在云服务器上进行形象重建模型的训练;其中,形象重建模型可采用语义分割架构,例如UNET架构,输入为非类型标识形象的索引标识和对应的类别标识形象的形象数据,输出为非类别标识形象的虚拟形象;损失函数为欧式距离损失函数;采用上述方式进行模型训练,直至模型收敛。
综上所述,本实施例提供的基于索引的虚拟形象数据处理方法,在创建虚拟形象数据对应的虚拟形象的索引条目的过程中,首先根据虚拟形象数据确定虚拟形象的多模态特征,并对多模态特征进行降维量化处理,获得形象量化特征,在获得虚拟形象的形象量化特征后,根据形象量化特征确定虚拟形象所属的类别,若确定该虚拟形象为该类别的类别标识形象,则以该虚拟形象的形象量化特征为索引标识,以该虚拟形象的形象数据为索引值构建该虚拟形象的索引条目,仅存储该索引条目即可;若确定该虚拟形象不为该类别的类别标识形象,则将该虚拟形象的形象量化特征作为索引标识,将虚拟形象所属类别的类别标识形象的形象量化特征和形象数据作为索引值构建该虚拟形象的索引条目并储存;
在进行形象检索的过程中,根据虚拟世界中的虚拟形象数据的索引标识,确定索引列表中与该索引标识匹配的目标索引条目;读取目标索引条目的索引值;基于目标索引和索引值中的形象数据进行虚拟形象的形象重建处理,获得虚拟形象;基于目标索引和索引值中的形象数据进行虚拟形象的形象重建处理,获得虚拟形象的过程,还可被替换为,若索引值包含类别标识形象的形象特征和形象数据,则将目标索引条目中的目标索引标识和形象数据输入形象重建模型进行形象重建处理,获得虚拟形象;或者,若索引值包含形象数据,则读取预先存储的目标索引条目中的目标索引标识对应的虚拟形象。
以此,仅存储各个类别的类别标识形象,该类别下的其他虚拟形象以虚拟形象的形象量化特征为索引标识,以类别标识形象的形象量化特征和形象数据为索引值,构建虚拟形象的索引条目,仅存储索引条目,后续根据索引条目对虚拟形象进行形象重建,以此,节省存储空间,且通过构建索引并利用索引中的数据进行形象重建保证形象重建后的虚拟形象的重建质量。
下述以本实施例提供的一种基于索引的虚拟形象数据处理方法在虚拟世界场景的应用为例,对本实施例提供的基于索引的虚拟形象数据处理方法进行进一步说明,参见图2,应用于虚拟世界场景的基于索引的虚拟形象数据处理方法,具体包括步骤S202至步骤S216。
步骤S202,获取虚拟世界中对虚拟形象进行检索的索引标识。
步骤S204,计算索引标识与索引列表中各索引条目中的索引标识的相似度。
步骤S206,确定与获取到的进行检索的索引标识的相似度高于其他索引条目中的索引标识的目标索引条目中的目标索引标识。
步骤S208,读取目标索引条目中目标索引标识映射的索引值。
步骤S210,若索引值中包含虚拟形象对应的类别标识形象的形象量化特征和形象数据,则确定该虚拟形象为非类别标识形象。
步骤S212,将目标索引标识和形象数据输入形象重建模型进行形象重建处理,获得虚拟形象。
步骤S210至步骤S212还可被替换为,若索引值中包含虚拟形象对应的类别标识形象的形象量化特征和形象数据,将目标索引标识和形象数据输入形象重建模型进行形象重建处理,获得虚拟形象;并与本实施例提供的其他处理步骤组成新的实现方式。
步骤S214,若索引值中仅包含虚拟形象的形象数据,则确定该虚拟形象为类别标识形象。
步骤S216,读取预先存储的目标索引标识对应的虚拟形象。
步骤S214至步骤S216还可被替换为,若索引值中仅包含虚拟形象的形象数据,则读取预先存储的目标索引标识对应的虚拟形象;并与本实施例提供的其他处理步骤组成新的实现方式。
本说明书提供的一种基于索引的虚拟形象数据处理装置实施例如下:
在上述的实施例中,提供了一种基于索引的虚拟形象数据处理方法,与之相对应的,还提供了一种基于索引的虚拟形象数据处理装置,下面结合附图进行说明。
参照图3,其示出了本实施例提供的一种基于索引的虚拟形象数据处理装置示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种基于索引的虚拟形象数据处理装置,包括:
索引标识获取模块302,被配置为获取虚拟世界中的虚拟形象数据的索引标识;
目标索引条目确定模块304,被配置为确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
索引值读取模块306,被配置为读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
形象重建模块308,被配置为基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
本说明书提供的一种基于索引的虚拟形象数据处理设备实施例如下:
对应上述描述的一种基于索引的虚拟形象数据处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种基于索引的虚拟形象数据处理设备,该基于索引的虚拟形象数据处理设备用于执行上述提供的基于索引的虚拟形象数据处理方法,图4为本说明书一个或多个实施例提供的一种基于索引的虚拟形象数据处理设备的结构示意图。
本实施例提供的一种基于索引的虚拟形象数据处理设备,包括:
如图4所示,基于索引的虚拟形象数据处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器401和存储器402,存储器402中可以存储有一个或一个以上存储应用程序或数据。其中,存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括基于索引的虚拟形象数据处理设备中的一系列计算机可执行指令。更进一步地,处理器401可以设置为与存储器402通信,在基于索引的虚拟形象数据处理设备上执行存储器402中的一系列计算机可执行指令。基于索引的虚拟形象数据处理设备还可以包括一个或一个以上电源403,一个或一个以上有线或无线网络接口404,一个或一个以上输入/输出接口405,一个或一个以上键盘406等。
在一个具体的实施例中,基于索引的虚拟形象数据处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对基于索引的虚拟形象数据处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取虚拟世界中的虚拟形象数据的索引标识;
确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种基于索引的虚拟形象数据处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取虚拟世界中的虚拟形象数据的索引标识;
确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于基于索引的虚拟形象数据处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (14)
1.一种基于索引的虚拟形象数据处理方法,包括:
获取虚拟世界中的虚拟形象数据的索引标识;
确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
2.根据权利要求1所述的基于索引的虚拟形象数据处理方法,所述索引列表中的索引条目与虚拟形象一一对应;
若索引条目中的索引值包括形象数据,则该索引条目对应的虚拟形象为类别标识形象;若索引条目中的索引值包括类别标识形象的形象特征和形象数据,则该索引条目对应的虚拟形象为类别标识形象所属类别下的虚拟形象。
3.根据权利要求1所述的基于索引的虚拟形象数据处理方法,所述目标索引标识,包括所述虚拟形象的形象量化特征;所述形象量化特征,采用如下方式确定:
将所述虚拟形象的虚拟形象数据和二维形象数据输入特征识别模型进行多模态特征识别,获得所述虚拟形象的多模态特征;
对所述多模态特征进行降维处理,获得所述虚拟形象的降维特征;
对所述降维特征进行量化处理,获得所述形象量化特征。
4.根据权利要求3所述的基于索引的虚拟形象数据处理方法,所述目标索引标识映射的索引值,采用如下方式确定:
基于所述形象量化特征,确定所述虚拟形象所属类别;
读取所述类别下的类别标识形象的形象特征和形象数据作为所述目标索引标识映射的索引值。
5.根据权利要求4所述的基于索引的虚拟形象数据处理方法,所述基于所述形象量化特征,确定所述虚拟形象所属类别,包括:
计算所述形象量化特征与预设类别中各类别的类别特征的特征距离;
确定与所述形象量化特征的特征距离小于其他类别特征的目标类别特征对应的类别为所述虚拟形象所属类别。
6.根据权利要求3所述的基于索引的虚拟形象数据处理方法,所述特征识别模型,采用如下方式进行多模态特征识别:
将所述虚拟形象数据输入第一特征提取网络进行特征提取,获得第一模态特征,以及,将所述二维形象数据输入第二特征提取网络进行特征提取,获得第二模态特征;
基于所述第一模态特征和所述第二模态特征,计算所述虚拟形象的多模态特征。
7.根据权利要求3所述的基于索引的虚拟形象数据处理方法,所述特征识别模型,采用如下方式训练:
将虚拟形象样本数据输入待训练的特征识别模型进行多模态特征识别,获得第一模态特征和第二模态特征;
对所述第一模态特征和所述第二模态特征进行数据重建,获得重建数据;
基于所述重建数据和所述虚拟形象样本数据,计算所述待训练的特征识别模型的训练损失,并基于所述训练损失对所述待训练的特征识别模型进行参数调整;
其中,所述第一模态特征对所述虚拟形象样本数据中的虚拟子样本数据进行特征提取获得;所述第二模态特征对所述虚拟形象样本数据中的二维子样本数据进行特征提取获得。
8.根据权利要求7所述的基于索引的虚拟形象数据处理方法,所述基于所述重建数据和所述虚拟形象样本数据,计算所述待训练的特征识别模型的训练损失,包括:
基于对第一模态特征和第二模态特征进行对应模态的数据重建获得的重建数据,以及所述虚拟形象样本数据计算重建损失;
基于对第一模态特征和第二模态特征进行相对模态的数据重建获得的重建数据,以及所述虚拟形象样本数据计算跨模态重建损失;
基于所述重建损失和所述跨模态重建损失计算所述训练损失。
9.根据权利要求5所述的基于索引的虚拟形象数据处理方法,所述预设类别以及所述预设类别中各类别的类别标识形象,采用如下方式确定:
基于至少一个虚拟形象的形象量化特征进行聚类处理,获得至少一个类别作为所述预设类别;
确定各类别下的虚拟形象的形象量化特征满足该类别的类别形象条件的虚拟形象作为该类别的类别标识形象。
10.根据权利要求1所述的基于索引的虚拟形象数据处理方法,所述读取所述目标索引条目中所述目标索引标识映射的索引值步骤执行之后,还包括:
若所述索引值包括所述虚拟形象的形象数据,则基于所述形象数据进行所述虚拟形象的形象重建处理,获得所述虚拟形象。
11.根据权利要求1所述的基于索引的虚拟形象数据处理方法,所述基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象,包括:
将所述目标索引标识和所述形象数据输入形象重建模型进行形象重建处理,获得所述虚拟形象;
相应的,所述形象重建模型,采用如下方式进行训练:
将虚拟形象样本的索引标识和对应的类型标识形象的形象数据输入待训练的形象重建模型进行形象重建;
计算形象重建获得的虚拟形象与虚拟形象样本的训练损失;
根据所述训练损失对所述待训练的形象重建模型进行参数调整。
12.一种基于索引的虚拟形象数据处理装置,包括:
索引标识获取模块,被配置为获取虚拟世界中的虚拟形象数据的索引标识;
目标索引条目确定模块,被配置为确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
索引值读取模块,被配置为读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
形象重建模块,被配置为基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
13.一种基于索引的虚拟形象数据处理设备,包括:
处理器;以及,
被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
获取虚拟世界中的虚拟形象数据的索引标识;
确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
14.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取虚拟世界中的虚拟形象数据的索引标识;
确定索引列表中与所述索引标识匹配的目标索引标识所在的目标索引条目;
读取所述目标索引条目中所述目标索引标识映射的索引值;所述索引值包括所述虚拟形象数据对应的类别标识形象的形象特征和形象数据;
基于所述目标索引标识和所述形象数据进行虚拟形象的形象重建处理,获得所述虚拟形象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211142139.0A CN115374298A (zh) | 2022-09-20 | 2022-09-20 | 基于索引的虚拟形象数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211142139.0A CN115374298A (zh) | 2022-09-20 | 2022-09-20 | 基于索引的虚拟形象数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374298A true CN115374298A (zh) | 2022-11-22 |
Family
ID=84071886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211142139.0A Pending CN115374298A (zh) | 2022-09-20 | 2022-09-20 | 基于索引的虚拟形象数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809696A (zh) * | 2022-12-01 | 2023-03-17 | 支付宝(杭州)信息技术有限公司 | 虚拟形象模型训练方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03138784A (ja) * | 1989-10-25 | 1991-06-13 | Hitachi Ltd | 3次元モデルの再構成方法および表示方法 |
US20180122080A1 (en) * | 2016-10-27 | 2018-05-03 | Lenovo (Singapore) Pte. Ltd. | Reducing storage using commonalities |
CN111580881A (zh) * | 2020-04-30 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 文件加载方法、装置和电子设备 |
CN113694525A (zh) * | 2021-03-23 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 获取虚拟形象的方法、装置、设备及存储介质 |
CN114741363A (zh) * | 2022-03-31 | 2022-07-12 | 腾讯音乐娱乐科技(深圳)有限公司 | 虚拟形象的骨骼资源处理及获取方法、设备和程序产品 |
-
2022
- 2022-09-20 CN CN202211142139.0A patent/CN115374298A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03138784A (ja) * | 1989-10-25 | 1991-06-13 | Hitachi Ltd | 3次元モデルの再構成方法および表示方法 |
US20180122080A1 (en) * | 2016-10-27 | 2018-05-03 | Lenovo (Singapore) Pte. Ltd. | Reducing storage using commonalities |
CN111580881A (zh) * | 2020-04-30 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 文件加载方法、装置和电子设备 |
CN113694525A (zh) * | 2021-03-23 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 获取虚拟形象的方法、装置、设备及存储介质 |
CN114741363A (zh) * | 2022-03-31 | 2022-07-12 | 腾讯音乐娱乐科技(深圳)有限公司 | 虚拟形象的骨骼资源处理及获取方法、设备和程序产品 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809696A (zh) * | 2022-12-01 | 2023-03-17 | 支付宝(杭州)信息技术有限公司 | 虚拟形象模型训练方法及装置 |
CN115809696B (zh) * | 2022-12-01 | 2024-04-02 | 支付宝(杭州)信息技术有限公司 | 虚拟形象模型训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658455B (zh) | 图像处理方法和处理设备 | |
CN106485196B (zh) | 视觉搜索方法、对应的系统、设备和计算机程序产品 | |
CN115359219B (zh) | 虚拟世界的虚拟形象处理方法及装置 | |
CN110688974A (zh) | 一种身份识别方法及装置 | |
US10217224B2 (en) | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach | |
CN114238904A (zh) | 身份识别方法、双通道超分模型的训练方法及装置 | |
CN115374298A (zh) | 基于索引的虚拟形象数据处理方法及装置 | |
CN115600157A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN115357938A (zh) | 虚拟形象处理方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN115809696B (zh) | 虚拟形象模型训练方法及装置 | |
CN115358777A (zh) | 虚拟世界的广告投放处理方法及装置 | |
CN115359220B (zh) | 虚拟世界的虚拟形象更新方法及装置 | |
CN115393022A (zh) | 跨域推荐处理方法及装置 | |
JP2014164499A (ja) | 画像分類装置及び画像分類プログラム | |
CN115439912A (zh) | 一种识别表情的方法、装置、设备及介质 | |
CN115146092A (zh) | 特征模型的获取方法、图像处理方法、装置及计算机设备 | |
CN115953559B (zh) | 虚拟对象处理方法及装置 | |
CN115499635B (zh) | 数据压缩处理方法及装置 | |
CN116246009B (zh) | 虚拟形象处理方法及装置 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN116188731A (zh) | 虚拟世界的虚拟形象调整方法及装置 | |
CN117391150B (zh) | 一种基于分层池化图哈希的图数据检索模型训练方法 | |
CN115905913B (zh) | 数字藏品的检测方法及装置 | |
CN115495712B (zh) | 数字作品处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |