CN107729931A - 图片评分方法和装置 - Google Patents
图片评分方法和装置 Download PDFInfo
- Publication number
- CN107729931A CN107729931A CN201710930673.0A CN201710930673A CN107729931A CN 107729931 A CN107729931 A CN 107729931A CN 201710930673 A CN201710930673 A CN 201710930673A CN 107729931 A CN107729931 A CN 107729931A
- Authority
- CN
- China
- Prior art keywords
- mrow
- evaluated
- reference base
- component piece
- layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本发明实施例公开了一种图片评分方法和装置，涉及计算机技术领域。其中，该方法包括：将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量；根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。通过以上方法，能够对待评分图片与基准图片的风格差异进行自动、准确地打分，便于非专业人员清楚地了解待评分图片和基准图片的风格差异，进而确保图片整体风格的一致性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种图片评分方法和装置。
背景技术
目前，在开发APP(应用程序)或者网站的过程中，大的软件公司一般是由专业美工制作人员统一制作图片，以确保图片的风格统一。
而在中小型软件公司里，由于聘请专业美工制作人员的成本较高，一般由开发人员或者运营人员兼职美工作图的工作。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：第一、在现有技术中，为了确保图片风格的统一，往往需要聘请专业的美工制作人员，并且需要对这些人员进行培训，以对共同的图片风格达成共识。这样一来，无疑会增加中小型公司的时间成本和经济成本。第二、在现有技术中，如果通过非专业人员制作图片，往往很难保证其图片风格的统一。第三、通过人工主观判断图片风格，往往会出现判断结果不准确、不合理、不统一的问题。
发明内容
有鉴于此，本发明实施例提供一种图片评分方法和装置，以能够对待评分图片与基准图片的风格差异进行自动、准确地打分，便于非专业人员清楚地了解待评分图片和基准图片的风格差异，进而确保图片整体风格的一致性。
为实现上述目的，根据本发明实施例的一个方面，提供了一种图片评分方法。
本发明实施例的图片评分方法包括：将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量；根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
可选地，所述卷积神经网络模型为VGG模型。
可选地，所述VGG模型包括：第一至第五卷积层、第一至第四池化层；并且，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层和第三卷积层之间，第三池化层位于第三卷积层和第四卷积层之间，第四池化层位于第四卷积层和第五卷积层之间。
可选地，根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值的步骤包括：
计算每层的风格差异El；
计算所有层的风格差异Lstyle(a,x)；
计算所述待评分图片与所述基准图片的风格差异，
Ltotal(a,x)＝γLstyle(a,x)；
其中，Nl表示每层的特征向量的数目，Ml表示每个特征向量的维度，表示基准图片的、每层的第i个特征向量与第j个特征向量的内积，并且 表示第l层中第i个卷积过滤器在第k个位置的激活；表示待评分图片的、每层的第i个特征向量与第j个特征向量的内积，wl表示可以每层的可调系数，γ表示总的可调系数，l表示卷积层的层数，a表示基准图片，x表示待评分图片。
可选地，所述方法还包括：将所述待评分图片与所述基准图片的风格差异值和预先计算得到的多张基准图片之间的风格差异均值进行比较，并根据比较结果确定所述待评分图片与基准图片的风格一致度。
为实现上述目的，根据本发明实施例的另一方面，提供了一种图片评分装置。
本发明实施例的图片评分装置包括：特征提取模块，用于将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量；风格差异计算模块，用于根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
可选地，所述卷积神经网络模型为VGG模型。
可选地，所述VGG模型包括：第一至第五卷积层、第一至第四池化层；并且，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层和第三卷积层之间，第三池化层位于第三卷积层和第四卷积层之间，第四池化层位于第四卷积层和第五卷积层之间。
可选地，风格差异计算模块根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值包括：
计算每层的风格差异El；
计算所有层的风格差异Lstyle(a,x)；
计算所述待评分图片与所述基准图片的风格差异，
Ltotal(a,x)＝γLstyle(a,x)；
其中，Nl表示第l层中特征向量的数目，Ml表示每个特征向量的维度，表示基准图片的、每层第i个特征向量与第j个特征向量的内积，并且 表示第l层中第i个卷积过滤器在第k个位置的激活；表示待评分图片的、每层第i个特征向量与第j个特征向量的内积，wl表示可以每层的可调系数，γ表示总的可调系数，l表示卷积层的层数，a表示基准图片，x表示待评分图片。
可选地，所述装置还包括：比较模块，用于将所述待评分图片与所述基准图片的风格差异值和预先计算得到的多张基准图片之间的风格差异均值进行比较，并根据比较结果判断所述待评分图片与基准图片的风格一致度。
为实现上述目的，根据本发明实施例的再一个方面，提供了一种服务器。
本发明实施例的服务器，包括：一个或多个处理器；以及，存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的图片评分方法。
为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机可读介质。
本发明实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的图片评分方法。
上述发明中的一个实施例具有如下优点或有益效果：在本发明实施例中，通过将待评分图片输入训练得到的卷积神经网络模型，能够从更多地维度提取所述待评分图片的特征向量，而不局限于颜色、色调、透明度等人工可以找到或理解的特征数据。进一步，根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值，能够将待评分图片与基准图片的风格差异进行量化，便于非专业人员清楚地了解待评分图片和基准图片的风格差异，进而确保制作出来的图片能够在整体风格上保持一致。另外，与人工判断图片风格差异的方式相比，本发明的方法能够大大提高图片风格差异评分的准确性、统一性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例的图片评分方法的主要步骤示意图；
图2是根据本发明另一实施例的图片评分方法的主要步骤示意图；
图3是根据本发明一个实施例的图片评分装置的主要组成模块示意图；
图4是根据本发明另一实施例的图片评分装置的主要组成模块示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明一个实施例的图片评分方法的主要步骤示意图。如图1所示，本发明实施例的图片评分方法主要包括以下步骤：
步骤S101、将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量。
在一优选实施方式中，所述卷积神经网络模型具体为VGG模型。VGG模型最初是由牛津大学的Visual Geometry Group小组在ILSVRC2014(全球最权威的计算机视觉竞赛)上提出的一种卷积神经网络模型。在该优选实施方式中，所述VGG模型包括：第一至第五卷积层、第一至第四池化层。并且，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层和第三卷积层之间，第三池化层位于第三卷积层和第四卷积层之间，第四池化层位于第四卷积层和第五卷积层之间。在该优选实施方式中，将待评分图片输入训练得到的VGG模型进行前向运算，即可在每个卷积层得到很多特征向量(feature maps)。而池化层可以对卷积层输出的特征向量进行池化操作(pooling)，以改善输出结果，避免过拟合的发生。在具体实施时，所述池化操作可以为平均池化。
需指出的是，VGG模型通常还包括：两层图像特征层、一层分类特征层。在以上优选实施方式中，通过VGG模型中的部分结构(主要包括卷积层、池化层)，即可输出所述待评分图片的特征向量。另外，在一些可选实施方式中，所述卷积神经网络模型还可以选取LeNet模型、AlexNet模型或其他模型。
步骤S102、根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
进一步，在步骤S102之前，本发明实施例的图片评分方法还包括：预先获取基准图片的特征向量。在获取了待评分图片的特征向量和基准图片的特征向量之后，即可根据预先设置的风格差异计算公式计算待评分图片与基准图片的风格差异值。
在本发明实施例中，通过将待评分图片输入训练得到的卷积神经网络模型，能够从更多地维度提取所述待评分图片的特征向量，而不局限于颜色、色调、透明度等人工可以找到或理解的特征数据。进一步，根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值，能够将待评分图片与基准图片的风格差异进行量化，便于非专业人员清楚地了解待评分图片和基准图片的风格差异，进而确保制作出来的图片能够在整体风格上保持一致。另外，与人工判断图片风格差异的方式相比，本发明的方法能够大大提高图片风格差异评分的准确性、统一性。
图2是根据本发明另一实施例的图片评分方法的主要步骤示意图。如图2所示，本发明实施例的图片评分方法主要包括以下步骤：
步骤S201、将多张基准图片输入卷积神经网络模型，以提取所述多张基准图片的特征向量。
具体实施时，在步骤S201之前，还包括：选取风格一致的基准图片。通常，可通过以下两种途径选取风格一致的基准图片：一、请专业的UI(用户界面)人员制作一批风格相似的图片；二、从网站或APP上收集已有的风格一致的图片。
在选取了多张基准图片之后，即可通过步骤S201提取所述多张基准图片的特征向量。在一优选实施方式中，所述卷积神经网络模型具体为VGG模型。在以上优选实施方式中，通过VGG模型中的部分结构(主要包括卷积层、池化层)，即可获取所述基准图片的特征向量。另外，在一些可选实施方式中，所述卷积神经网络模型还可以选取LeNet模型、AlexNet模型或其他模型。
步骤S202、根据所述多张基准图片的特征向量计算所述多张基准图片之间的风格差异均值。
在一优选实施方式中，步骤S202具体包括：
步骤一、通过格拉姆矩阵表示基准图片m的、每层各个特征向量的内积，以及基准图片n的、每层各个特征向量的内积；
式中，表示基准图片m的、每层第i个特征集合与第j个特征集合的内积，表示基准图片m的、第l层中第i个卷积滤波器在第k个位置的激活，表示基准图片m的、第l层中第j个卷积滤波器在第k个位置的激活。
步骤二、计算两张基准图片每层的风格差异；
式中，Nl表示第l层中特征集合的数目，Ml表示每个特征集合的维度。
步骤三、计算所有层的风格差异；
式中，wl表示可以每层的可调系数，l表示卷积层的层数。
步骤四、计算两张基准图片的风格差异；
Ltotal(m,n)＝γLstyle(m,n)
式中，γ表示总的可调系数。
通过步骤一至步骤四，可计算任意两张基准图片的风格差异值。之后，对计算得到的多个风格差异值取平均，即可得到多张基准图片之间的风格差异均值。同时，通过步骤S201至步骤S202实现了对卷积神经网络模型的训练。
步骤S203、将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量。
关于步骤S203如何实施，可参考图1所示流程中关于步骤S101的相关阐述，在此不再赘述。
步骤S204、根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值；
在一优选实施方式中，步骤S204包括：
步骤一、通过格拉姆矩阵表示待评分图片x的、每层各个特征向量的内积。并且，对于步骤S201中获取的基准图片，通过格拉姆矩阵表示基准图片的、每层各个特征向量的内积。
其中，表示待评分图片x的、每层第i个特征集合与第j个特征集合的内积；表示待评分图片x的、第l层中第i个卷积滤波器在第k个位置的激活；表示基准图片的、每层第i个特征集合与第j个特征集合的内积；表示基准图片的、第l层中第i个卷积滤波器在第k个位置的激活。
步骤二、计算待评分图片与基准图片的每层的风格差异El(a,x)；
其中，Nl表示第l层中特征集合的数目，Ml表示每个特征集合的维度。
步骤三、计算待评分图片与基准图片所有层的风格差异Lstyle(a,x)；
其中，wl表示可以每层的可调系数，a表示基准图片，x表示待评分图片。
步骤四、计算待评分图片与基准图片总的风格差异值Ltotal(a,x)
Ltotal(a,x)＝γLstyle(a,x)
其中，γ表示总的可调系数。
通过以上步骤，可计算待评分图片与基准图片的风格差异值。
步骤S205、将所述待评分图片与所述基准图片的风格差异值和所述多张基准图片之间的风格差异均值进行比较，并根据比较结果确定所述待评分图片与基准图片的风格一致度。
在一可选实施方式中，步骤S205包括：将所述待评分图片与所述基准图片的风格差异值和所述多张基准图片之间的风格差异均值作差，并将差值的绝对值与预设阈值比较，如果差值的绝对值大于所述预设阈值，则待评分图片与基准图片的风格一致度为0；如果差值的绝对值小于所述预设阈值，则待评分图片与基准图片的风格一致度为1。例如，在一次预测时，所述待评分图片与所述基准图片的风格差异值为120，所述多张基准图片之间的风格差异均值为100，预设阈值为50，那么可得到待评分图片与基准图片的风格一致度为1，即认为待评分图片与基准图片风格一致。
在本发明实施例中，通过将待评分图片输入训练得到的卷积神经网络模型，能够从更多地维度提取所述待评分图片的特征向量，而不局限于颜色、色调、透明度等人工可以找到或理解的特征数据。通过格拉姆矩阵能够很好地表征图片的风格，进而，通过风格差异计算、比较，能够获知待评分图片与基准图片的风格一致度。与人工判断图片风格差异的方式相比，本发明的方法能够大大提高图片风格差异评分的准确性、统一性。
图3是根据本发明一个实施例的图片评分装置的主要组成模块示意图。如图3所示，本发明实施例的图片评分装置300包括：特征提取模块301、风格差异计算模块302。
特征提取模块301，用于将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量。
在一优选实施方式中，所述卷积神经网络模型具体为VGG模型。VGG模型最初是由牛津大学的Visual Geometry Group小组在ILSVRC2014(全球最权威的计算机视觉竞赛)上提出的一种卷积神经网络模型。在该优选实施方式中，所述VGG模型包括：第一至第五卷积层、第一至第四池化层。并且，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层和第三卷积层之间，第三池化层位于第三卷积层和第四卷积层之间，第四池化层位于第四卷积层和第五卷积层之间。在该优选实施方式中，特征提取模块301将待评分图片输入训练得到的VGG模型进行前向运算，即可在每个卷积层得到很多特征向量(feature maps)。而池化层可以对卷积层输出的特征向量进行池化操作(pooling)，以改善输出结果，避免过拟合的发生。在具体实施时，所述池化操作可以为平均池化。
需指出的是，VGG模型通常还包括：两层图像特征层、一层分类特征层。在以上优选实施方式中，特征提取模块301通过VGG模型中的部分结构(主要包括卷积层、池化层)，即可提取所述待评分图片的特征向量。另外，在一些可选实施方式中，所述卷积神经网络模型还可以选取LeNet模型、AlexNet模型或其他模型。
风格差异计算模块302，用于根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
进一步，本发明实施例的特征提取模块301还用于：预先获取基准图片的特征向量。在获取了待评分图片的特征向量和基准图片的特征向量之后，即可由风格差异计算模块302根据预先设置的风格差异计算公式计算待评分图片与基准图片的风格差异值。
在本发明实施例中，通过特征提取模块将待评分图片输入训练得到的卷积神经网络模型，能够从更多地维度提取所述待评分图片的特征向量，而不局限于颜色、色调、透明度等人工可以找到或理解的特征数据。进一步，通过风格差异计算模块根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值，便于非专业人员清楚地了解待评分图片和基准图片的风格差异，进而确保制作出来的图片能够在整体风格上保持一致。
图4是根据本发明另一实施例的图片评分装置的主要组成模块示意图。如图4所示，本发明实施例的图片评分装置包括：特征提取模块401、风格差异计算模块402、比较模块403。
特征提取模块401，用于将多张基准图片输入卷积神经网络模型，以提取所述多张基准图片的特征向量。
示例性的，所述基准图片通过以下途径获取：一、请专业的UI(用户界面)人员制作一批风格相似的图片；二、从网站或APP上收集已有的风格一致的图片。在选取了多张基准图片之后，即可通过特征提取模块401提取所述多张基准图片的特征向量。
在一优选实施方式中，所述卷积神经网络模型具体为VGG模型。在以上优选实施方式中，通过VGG模型中的部分结构(主要包括卷积层、池化层)，即可获取所述基准图片的特征向量。另外，在一些可选实施方式中，所述卷积神经网络模型还可以选取LeNet模型、AlexNet模型或其他模型。
风格差异计算模块402，用于根据所述多张基准图片的特征向量计算所述多张基准图片之间的风格差异均值。
在一优选实施方式中，风格差异计算模块402计算所述多张基准图片之间的风格差异均值包括：
首先、风格差异计算模块402通过格拉姆矩阵表示基准图片m的、每层各个特征向量的内积，以及基准图片n的、每层各个特征向量的内积；
式中，表示基准图片m的、每层第i个特征集合与第j个特征集合的内积，表示基准图片m的、第l层中第i个卷积滤波器在第k个位置的激活，表示基准图片m的、第l层中第j个卷积滤波器在第k个位置的激活。
然后、风格差异计算模块402计算两张基准图片每层的风格差异；
式中，Nl表示第l层中特征集合的数目，Ml表示每个特征集合的维度。
接下来、风格差异计算模块402计算所有层的风格差异；
式中，wl表示可以每层的可调系数，l表示卷积层的层数。
之后、风格差异计算模块402计算两张基准图片的风格差异；
Ltotal(m,n)＝γLstyle(m,n)
式中，γ表示总的可调系数。
这样一来，风格差异计算模块402可计算任意两张基准图片的风格差异值。之后，再对计算得到的多个风格差异值取平均，即可得到多张基准图片之间的风格差异均值。
特征提取模块401，还用于将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量。
风格差异计算模块402，还用于根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
在一优选实施方式中，风格差异计算模块402计算所述待评分图片与所述基准图片的风格差异值包括：
首先，风格差异计算模块402通过格拉姆矩阵表示待评分图片x的、每层各个特征向量的内积。并且，对于步骤S201中获取的基准图片，通过格拉姆矩阵表示基准图片的、每层各个特征向量的内积。
其中，表示待评分图片x的、每层第i个特征集合与第j个特征集合的内积；表示待评分图片的、第l层中第i个卷积滤波器在第k个位置的激活；表示基准图片的、每层第i个特征集合与第j个特征集合的内积；表示基准图片的、第l层中第i个卷积滤波器在第k个位置的激活。
然后，风格差异计算模块402计算待评分图片与基准图片的每层的风格差异El(a,x)；
其中，Nl表示第l层中特征集合的数目，Ml表示每个特征集合的维度。
接下来，风格差异计算模块402计算待评分图片与基准图片所有层的风格差异Lstyle(a,x)；
其中，wl表示可以每层的可调系数，a表示基准图片，x表示待评分图片。
之后，风格差异计算模块402计算待评分图片与基准图片总的风格差异值Ltotal(a,x)
Ltotal(a,x)＝γLstyle(a,x)
其中，γ表示总的可调系数。
这样一来，风格差异计算模块402可计算得到待评分图片与基准图片的风格差异值。
比较模块403，用于将所述待评分图片与所述基准图片的风格差异值和所述多张基准图片之间的风格差异均值进行比较，并根据比较结果确定所述待评分图片与基准图片的风格一致度。
在一可选实施方式中，比较模块403计算风格一致度包括：比较模块403将所述待评分图片与所述基准图片的风格差异值和所述多张基准图片之间的风格差异均值作差，并将差值的绝对值与预设阈值比较，如果差值的绝对值大于所述预设阈值，则待评分图片与基准图片的风格一致度为0；如果差值的绝对值小于所述预设阈值，则待评分图片与基准图片的风格一致度为1。
在本发明实施例中，通过特征提取模块将待评分图片输入训练得到的卷积神经网络模型，能够从更多地维度提取所述待评分图片的特征向量，而不局限于颜色、色调、透明度等人工可以找到或理解的特征数据。通过风格差异计算模块计算待评分图片与基准图片的风格差异值；通过比较模块判断待评分图片与基准图片的风格一致度，能够获知待评分图片与基准图片的风格是否相似。与人工判断图片风格差异的方式相比，本发明的装置能够大大提高图片风格差异评分的准确性、统一性。
图5示出了可以应用本发明实施例的图片评分方法或图片评分装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种服务器，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，本发明实施例所提供的图片评分方法一般由服务器505执行，相应地，图片评分装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图6示出了适于用来实现本发明实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括特征提取模块、风格差异计算模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，特征提取模块还可以被描述为“提取图片的特征向量的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行以下流程：将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量；根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (12)
1.一种图片评分方法，其特征在于，所述方法包括：
将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量；
根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型为VGG模型。
3.根据权利要求2所述的方法，其特征在于，所述VGG模型包括：第一至第五卷积层、第一至第四池化层；并且，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层和第三卷积层之间，第三池化层位于第三卷积层和第四卷积层之间，第四池化层位于第四卷积层和第五卷积层之间。
4.根据权利要求1所述的方法，其特征在于，根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值的步骤包括：
计算每层的风格差异El；
<mrow>
<msub>
<mi>E</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msubsup>
<mi>N</mi>
<mi>l</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>M</mi>
<mi>l</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>G</mi>
<mrow>
<mi>i</mi>
<mo>.</mo>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
计算所有层的风格差异Lstyle(a,x)；
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>y</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>l</mi>
</msub>
<msub>
<mi>E</mi>
<mi>l</mi>
</msub>
</mrow>
计算所述待评分图片与所述基准图片的风格差异，
Ltotal(a,x)＝γLstyle(a,x)；
其中，Nl表示每层的特征向量的数目，Ml表示每个特征向量的维度，表示基准图片的、每层的第i个特征向量与第j个特征向量的内积，并且 表示第l层中第i个卷积过滤器在第k个位置的激活；表示待评分图片的、每层的第i个特征向量与第j个特征向量的内积，wl表示可以每层的可调系数，γ表示总的可调系数，l表示卷积层的层数，a表示基准图片，x表示待评分图片。
5.根据权利要求1至4任一所述的方法，其特征在于，所述方法还包括：
将所述待评分图片与所述基准图片的风格差异值和预先计算得到的多张基准图片之间的风格差异均值进行比较，并根据比较结果确定所述待评分图片与基准图片的风格一致度。
6.一种图片评分装置，其特征在于，所述装置包括：
特征提取模块，用于将待评分图片输入训练得到的卷积神经网络模型，以提取所述待评分图片的特征向量；
风格差异计算模块，用于根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值。
7.根据权利要求6所述的装置，其特征在于，所述卷积神经网络模型为VGG模型。
8.根据权利要求7所述的装置，其特征在于，所述VGG模型包括：第一至第五卷积层、第一至第四池化层；并且，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层和第三卷积层之间，第三池化层位于第三卷积层和第四卷积层之间，第四池化层位于第四卷积层和第五卷积层之间。
9.根据权利要求6所述的装置，其特征在于，风格差异计算模块根据所述待评分图片的特征向量和基准图片的特征向量计算所述待评分图片与所述基准图片的风格差异值包括：
计算每层的风格差异El；
<mrow>
<msub>
<mi>E</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msubsup>
<mi>N</mi>
<mi>l</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>M</mi>
<mi>l</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>G</mi>
<mrow>
<mi>i</mi>
<mo>.</mo>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
计算所有层的风格差异Lstyle(a,x)；
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>y</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>l</mi>
</msub>
<msub>
<mi>E</mi>
<mi>l</mi>
</msub>
</mrow>
计算所述待评分图片与所述基准图片的风格差异，
Ltotal(a,x)＝γLstyle(a,x)；
其中，Nl表示第l层中特征向量的数目，Ml表示每个特征向量的维度，表示基准图片的、每层第i个特征向量与第j个特征向量的内积，并且 表示第l层中第i个卷积过滤器在第k个位置的激活；表示待评分图片的、每层第i个特征向量与第j个特征向量的内积，wl表示可以每层的可调系数，γ表示总的可调系数，l表示卷积层的层数，a表示基准图片，x表示待评分图片。
10.根据权利要求6至8任一所述的装置，其特征在于，所述装置还包括：
比较模块，用于将所述待评分图片与所述基准图片的风格差异值和预先计算得到的多张基准图片之间的风格差异均值进行比较，并根据比较结果判断所述待评分图片与基准图片的风格一致度。
11.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710930673.0A CN107729931A (zh) | 2017-10-09 | 2017-10-09 | 图片评分方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710930673.0A CN107729931A (zh) | 2017-10-09 | 2017-10-09 | 图片评分方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107729931A true CN107729931A (zh) | 2018-02-23 |
Family
ID=61210008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710930673.0A Pending CN107729931A (zh) | 2017-10-09 | 2017-10-09 | 图片评分方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729931A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584326A (zh) * | 2018-11-07 | 2019-04-05 | 厦门欢乐逛科技股份有限公司 | 海报自动配色方法、介质、计算机设备及装置 |
| CN110445632A (zh) * | 2018-05-04 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 一种预防客户端崩溃的方法和装置 |
| CN110532232A (zh) * | 2019-08-20 | 2019-12-03 | 珠海格力电器股份有限公司 | 一种对上传图片进行处理的方法及装置 |
| CN111626248A (zh) * | 2020-06-01 | 2020-09-04 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130083996A1 (en) * | 2011-09-29 | 2013-04-04 | Fujitsu Limited | Using Machine Learning to Improve Visual Comparison |
| CN105469376A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技（深圳）有限公司 | 确定图片相似度的方法和装置 |
| CN106408595A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 一种基于神经网络画风学习的图像渲染方法 |
| CN106952224A (zh) * | 2017-03-30 | 2017-07-14 | 电子科技大学 | 一种基于卷积神经网络的图像风格转移方法 |
| CN106971202A (zh) * | 2017-03-24 | 2017-07-21 | 南京大学 | 一种基于卷积神经网络的中国水墨画风格提取方法 |
-
2017
- 2017-10-09 CN CN201710930673.0A patent/CN107729931A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130083996A1 (en) * | 2011-09-29 | 2013-04-04 | Fujitsu Limited | Using Machine Learning to Improve Visual Comparison |
| CN105469376A (zh) * | 2014-08-12 | 2016-04-06 | 腾讯科技（深圳）有限公司 | 确定图片相似度的方法和装置 |
| CN106408595A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 一种基于神经网络画风学习的图像渲染方法 |
| CN106971202A (zh) * | 2017-03-24 | 2017-07-21 | 南京大学 | 一种基于卷积神经网络的中国水墨画风格提取方法 |
| CN106952224A (zh) * | 2017-03-30 | 2017-07-14 | 电子科技大学 | 一种基于卷积神经网络的图像风格转移方法 |
Non-Patent Citations (1)
| Title |
|---|
| 付畅俭: "《基于内容的视频结构挖掘》", 31 August 2016 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110445632A (zh) * | 2018-05-04 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 一种预防客户端崩溃的方法和装置 |
| CN110445632B (zh) * | 2018-05-04 | 2023-09-01 | 北京京东尚科信息技术有限公司 | 一种预防客户端崩溃的方法和装置 |
| CN109584326A (zh) * | 2018-11-07 | 2019-04-05 | 厦门欢乐逛科技股份有限公司 | 海报自动配色方法、介质、计算机设备及装置 |
| CN110532232A (zh) * | 2019-08-20 | 2019-12-03 | 珠海格力电器股份有限公司 | 一种对上传图片进行处理的方法及装置 |
| CN111626248A (zh) * | 2020-06-01 | 2020-09-04 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
| CN111626248B (zh) * | 2020-06-01 | 2022-05-06 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107491534A (zh) | 信息处理方法和装置 | |
| CN108171276A (zh) | 用于生成信息的方法和装置 | |
| CN108090162A (zh) | 基于人工智能的信息推送方法和装置 | |
| CN107633218A (zh) | 用于生成图像的方法和装置 | |
| CN107729931A (zh) | 图片评分方法和装置 | |
| CN107491547A (zh) | 基于人工智能的搜索方法和装置 | |
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| CN107590255A (zh) | 信息推送方法和装置 | |
| CN106484766B (zh) | 基于人工智能的搜索方法和装置 | |
| CN107133221A (zh) | 信息审核方法、装置、计算机可读介质和电子设备 | |
| CN107145485A (zh) | 用于压缩主题模型的方法和装置 | |
| CN106250464B (zh) | 排序模型的训练方法及装置 | |
| CN107870984A (zh) | 识别搜索词的意图的方法和装置 | |
| CN105306495B (zh) | 用户识别方法和装置 | |
| CN106407425A (zh) | 基于人工智能的推送信息的方法和装置 | |
| CN108280104A (zh) | 目标对象的特征信息提取方法及装置 | |
| CN109492160A (zh) | 用于推送信息的方法和装置 | |
| CN108287857A (zh) | 表情图片推荐方法及装置 | |
| CN107679119A (zh) | 生成品牌衍生词的方法和装置 | |
| CN107464141A (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
| CN108632311A (zh) | 信息推送方法和装置 | |
| CN108197592A (zh) | 信息获取方法和装置 | |
| CN106896937A (zh) | 用于输入信息的方法和装置 | |
| CN107729399A (zh) | 数据处理的方法和装置 | |
| CN107742128A (zh) | 用于输出信息的方法和装置 |
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 |