CN108389172B - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN108389172B CN108389172B CN201810233913.6A CN201810233913A CN108389172B CN 108389172 B CN108389172 B CN 108389172B CN 201810233913 A CN201810233913 A CN 201810233913A CN 108389172 B CN108389172 B CN 108389172B
- Authority
- CN
- China
- Prior art keywords
- depth image
- neural network
- target depth
- feature vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 121
- 238000013528 artificial neural network Methods 0.000 claims abstract description 117
- 238000000605 extraction Methods 0.000 claims description 105
- 239000013598 vector Substances 0.000 claims description 103
- 238000003708 edge detection Methods 0.000 claims description 71
- 230000004927 fusion Effects 0.000 claims description 53
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 19
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:预先训练用于生成图像质量信息的神经网络,并将目标深度图像输入至预先训练的神经网络,生成目标深度图像的图像质量信息,其中,预先训练的神经网络是基于样本深度图像和用于表征样本深度图像的图像质量的标注信息作为训练样本得到的。该实施方式实现了自动生成深度图像的图像质量信息。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及计算机视觉技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
在计算机视觉系统中,三维场景信息为图像分割、目标检测、物体跟踪等各类计算机视觉应用提供了更多的可能性,而深度图像(Depth map)作为一种普遍的三维场景信息表达方式得到了广泛的应用。深度图像的每个像素点的灰度值可用于表征场景中某一点距离拍摄设备的远近。
目前,大都是通过深度传感器来获取深度图像。然而,拍摄得到的深度图像经常可能会存在低像素、低信噪比或者有洞等质量缺陷,如果能够自动确定深度图像的图像质量,就可以在图像质量有缺陷的情况下不再使用有质量缺陷的深度图像,或者给出重新拍摄深度图像的提示信息。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取目标深度图像;将目标深度图像输入预先训练的神经网络,生成目标深度图像的图像质量信息,其中,神经网络是通过如下第一训练步骤得到的:确定初始神经网络的网络结构以及初始化初始神经网络的网络参数;获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息;将训练样本集中的训练样本中的样本深度图像和标注信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练初始神经网络;将训练得到的初始神经网络确定为预先训练的神经网络。
在一些实施例中,神经网络包括第一特征提取网络、第二特征提取网络和第一全连接层;以及将目标深度图像输入预先训练的神经网络,生成目标深度图像的图像质量信息,包括:将目标深度图像输入预先训练的第一特征提取网络,得到第一特征向量;对目标深度图像进行边缘检测,得到目标边缘检测结果,目标边缘检测结果包括至少一个点坐标序列;融合目标深度图像和目标边缘检测结果,得到第一融合特征向量;将第一融合特征向量输入预先训练的第二特征提取网络,得到第二特征向量;拼接第一特征向量和第二特征向量,得到第二融合特征向量;将第二融合特征向量输入预先训练的第一全连接层,生成目标深度图像的图像质量信息。
在一些实施例中,融合目标深度图像和目标边缘检测结果,得到第一融合特征向量,包括:建立目标深度图像中各像素点与第一融合特征向量中的相应分量之间的对应关系,以及建立目标边缘检测结果中各个点坐标与第一融合特征向量中的相应分量之间的对应关系;将第一融合特征向量中各个分量的值确定为目标深度图像相应像素点的像素值或者目标边缘检测结果中的相应点坐标。
在一些实施例中,第一特征提取网络和第二特征提取网络均为卷积神经网络。
在一些实施例中,神经网络包括第三特征提取网络和第二全连接层;以及将目标深度图像输入预先训练的神经网络,生成目标深度图像的图像质量信息,包括:将目标深度图像输入预先训练的第三特征提取网络,生成目标深度图像的特征图像;将所生成的特征图像输入预先训练的第二全连接层,生成目标深度图像的图像质量信息,其中,第二全连接层用于表征特征图像和图像质量信息之间的对应关系。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:获取单元,配置用于获取目标深度图像;生成单元,配置用于将目标深度图像输入预先训练的神经网络,生成目标深度图像的图像质量信息,其中,神经网络是通过如下第一训练步骤得到的:确定初始神经网络的网络结构以及初始化初始神经网络的网络参数;获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息;将训练样本集中的训练样本中的样本深度图像和标注信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练初始神经网络;将训练得到的初始神经网络确定为预先训练的神经网络。
在一些实施例中,神经网络包括第一特征提取网络、第二特征提取网络和第一全连接层;以及生成单元包括:第一输入模块,配置用于将目标深度图像预先训练的第一特征提取网络,得到第一特征向量;边缘检测模块,配置用于对目标深度图像进行边缘检测,得到目标边缘检测结果,目标边缘检测结果包括至少一个点坐标序列;融合模块,配置用于融合目标深度图像和目标边缘检测结果,得到第一融合特征向量;第二输入模块,配置用于将第一融合特征向量输入预先训练的第二特征提取网络,得到第二特征向量;拼接模块,配置用于拼接第一特征向量和第二特征向量,得到第二融合特征向量;第一生成模块,配置用于将第二融合特征向量输入预先训练的第一全连接层,生成目标深度图像的图像质量信息。
在一些实施例中,融合模块进一步用于:建立目标深度图像中各像素点与第一融合特征向量中的相应分量之间的对应关系,以及建立目标边缘检测结果中各个点坐标与第一融合特征向量中的相应分量之间的对应关系;将第一融合特征向量中各个分量的值确定为目标深度图像相应像素点的像素值或者目标边缘检测结果中的相应点坐标。
在一些实施例中,第一特征提取网络和第二特征提取网络均为卷积神经网络。
在一些实施例中,神经网络包括第三特征提取网络和第二全连接层;以及生成单元包括:第三输入模块,配置用于将目标深度图像输入预先训练的第三特征提取网络,生成目标深度图像的特征图像;第二生成模块,配置用于将所生成的特征图像输入预先训练的第二全连接层,生成目标深度图像的图像质量信息,其中,第二全连接层用于表征特征图像和图像质量信息之间的对应关系。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过预先训练用于生成图像质量信息的神经网络,并将目标深度图像输入至预先训练的神经网络,生成目标深度图像的图像质量信息,其中,预先训练的神经网络是基于样本深度图像和用于表征样本深度图像的图像质量的标注信息作为训练样本得到的。从而,可以实现自动生成深度图像的图像质量信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于训练神经网络的第一训练步骤的一个实施例的流程图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于训练第一特征提取网络、第二特征提取网络和第一全连接层的第二训练步骤的一个实施例的流程图;
图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如深度图像采集类应用、图像处理类应用、搜索类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,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。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供深度图像采集服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的深度图像(例如,拍摄人脸所得到的人脸深度图像)进行质量判断,并生成相应的图像质量信息的质量信息生成服务器。质量信息生成服务器可以对接收到的深度图像等数据进行分析等处理,并将处理结果(例如深度图像的图像质量信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由服务器105执行,相应地,用于生成信息的装置一般设置于服务器105中。
需要指出的是,服务器105的本地也可以直接存储深度图像,服务器105可以直接提取本地的深度图像生成对应的图像质量信息,此时,示例性系统架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有图像质量信息生成类应用,终端设备101、102、103也可以基于图像质量信息生成类应用生成目标深度图像的图像质量信息,此时,用于生成信息的方法也可以由终端设备101、102、103执行,相应地,用于生成信息的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100也可以不包括服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供深度图像生成服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1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。
继续参考图2,其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取目标深度图像。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以获取目标深度图像。这里,目标深度图像可以是任意带有深度信息的图像。例如,目标深度图像可以是拍摄人脸所得到的目标人脸深度图像。
这里,上述目标深度图像可以是与上述执行主体通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述执行主体中的,也可以是上述执行主体本地所存储的。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,将目标深度图像输入预先训练的神经网络,生成目标深度图像的图像质量信息。
在本实施例中,上述执行主体(例如图1所示的服务器)可以将目标深度图像输入至预先训练的神经网络,生成目标深度图像的图像质量信息,这里图像的图像质量信息用于指示图像的图像质量。其中,上述预先训练的神经网络用于表征深度图像与深度图像的图像质量信息之间的对应关系。
这里,图像质量信息可以是各种形式的。例如,图像质量信息可以是数值,例如,用0表示质量不好,用1表示质量好,又例如图像质量信息还可以是第一预设数值(比如,0)到第二预设数值(比如,1)之间的数值,用于表示图像质量的打分,其中,第一预设数值小于第二预设数值。图像质量信息还可以是文字、字符或者符号的组合。例如,用字符串“不好”表示质量不好,用字符串“好”表示质量好。
其中,上述神经网络可以是通过第一训练步骤预先训练得到的。
请参考图3,图3示出了根据本申请的预先训练神经网络的第一训练步骤的一个实施例的流程300。该第一训练步骤可以包括以下步骤:
步骤301,确定初始神经网络的网络结构以及初始化初始神经网络的网络参数。
在本实施例中,第一训练步骤的执行主体可以与用于生成信息的方法的执行主体相同或者不同。如果相同,则第一训练步骤的执行主体可以在训练得到神经网络后将训练好的神经网络的网络结构信息和网络参数的参数值存储在本地。如果不同,则第一训练步骤的执行主体可以在训练得到神经网络后将训练好的神经网络的网络结构信息和网络参数的参数值发送给用于生成信息的方法的执行主体。
在本实施例中,第一训练步骤的执行主体可以首先确定初始神经网络的网络结构。例如,需要确定初始神经网络包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权值和偏置,每层的激活函数等等。
可以理解的是,由于神经网络可以包括各种类型的神经网络,对于不同类型的神经网络所需要确定的网络结构也不相同。
在本实施例的一些可选的实现方式中,当初始神经网络为卷积神经网络时,由于卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成,则这里需要确定卷积神经网络类型的初始神经网络包括哪些层(例如,卷积层,池化层,全连接层,分类器等等),层与层之间的连接顺序关系,以及每个层都包括哪些参数(例如,权重weight、偏置项bias、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长等等。
然后,第一训练步骤的执行主体可以初始化初始神经网络的网络参数。实践中,可以将神经网络的各个网络参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。
步骤302,获取训练样本集。
在本实施例中,第一训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取训练样本集。其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息。例如,可以由人工标定样本深度图像的图像质量。这里,用于表征样本深度图像的图像质量的标注信息可以是各种形式的。
作为示例,标注信息可以是数值,例如,用0表示质量不好,用1表示质量好,又例如标注信息还可以是第一预设数值(比如,0)到第二预设数值(比如,1)之间的数值,用于表示图像质量的打分,其中,第一预设数值小于第二预设数值。标注信息还可以是文字、字符或者符号的组合。例如,用字符串“不好”表示质量不好,用字符串“好”表示质量好。
步骤303,将训练样本集中的训练样本中的样本深度图像和标注信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练初始神经网络。
在本实施例中,第一训练步骤的执行主体可以将训练样本集中的训练样本中的样本深度图像输入初始神经网络,得到该样本深度图像的图像质量信息,以该训练样本中的标注信息作为初始神经网络的期望输出,利用机器学习方法训练初始神经网络。具体地,可以首先利用预设的损失函数计算所得到的图像质量信息与该训练样本中的标注信息之间的差异,例如,可以采用L2范数作为损失函数计算所得到的图像质量信息与该训练样本中的标注信息之间的差异。然后,可以基于计算所得的差异,调整初始神经网络的网络参数,并在满足预设的训练结束条件的情况下,结束训练。例如,这里预设的训练结束条件可以包括但不限于:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异小于预设差异阈值。
这里,可以采用各种实现方式基于所生成的图像质量信息与该训练样本中的标注信息之间的差异调整初始神经网络的网络参数。例如,可以采用BP(Back Propagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整初始神经网络的网络参数。
步骤304,将训练得到的初始神经网络确定为预先训练的神经网络。
在本实施例中,第一训练步骤的执行主体可以将步骤303中训练得到的初始神经网络确定为预先训练的神经网络。
在本实施例的一些可选的实现方式中,可以为每种目标类型(例如,人脸、动物、鸟类等)训练对应的神经网络,为不同的目标类型训练不同的神经网络。具体地,在训练某种目标类型对应的神经网络时,所采用的训练样本集中的每个训练样本可以都是该种目标类型的样本深度图像和对应的标注信息,例如,都是拍摄人脸类型的。这样,在步骤201中生成目标深度图像的图像质量信息时,可以首先确定目标深度图像对应的目标类型,然后将目标深度图像输入到所确定的目标类型对应的神经网络中,生成目标深度图像的图像质量信息。
在本实施例的一些可选的实现方式中,预先训练的神经网络可以包括第三特征提取网络和第二全连接层。基于上述神经网络,步骤202可以如下进行:
首先,可以将目标深度图像输入预先训练的第三特征提取网络,生成目标深度图像的特征图像。
这里,第三特征提取网络可以是各种具有特征提取功能的神经网络。例如,第三特征提取网络可以是包括至少一个卷积层的卷积神经网络,当然,可以理解的是,第三特征提取网络还可以包括至少一个池化层和/或至少一个激活函数层。
然后,可以将所生成的特征图像输入预先训练的第二全连接层,生成目标深度图像的图像质量信息。
这里,第二全连接层用于表征特征图像和图像质量信息之间的对应关系。
需要说明的是,这里第三特征提取网络和第二全连接层也可以是采用如图3所示的第一训练步骤训练得到的。
本申请的上述实施例提供的用于生成信息的方法通过采用深度图像和对应的用于表征深度图像的图像质量的标注信息作为训练样本训练神经网络,从而训练得到的神经网络可以学习到如何生成深度图像的图像质量信息。在生成图像质量信息时,将目标深度图像输入预先训练的神经网络即可以生成目标深度图像的图像质量信息。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取目标深度图像。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以获取目标深度图像。这里,目标深度图像可以是任意带有深度信息的图像。例如,目标深度图像可以是拍摄人脸所得到的目标人脸深度图像。
这里,上述目标深度图像可以是与上述执行主体通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述执行主体中的,也可以是上述执行主体本地所存储的。
步骤402,将目标深度图像输入预先训练的第一特征提取网络,得到第一特征向量。
在本实施例中,上述执行主体可以在获取到目标深度图像后,将目标深度图像输入预先训练的第一特征提取网络,得到第一特征向量。这里,第一特征提取网络可以是各种具有提取图像特征功能的神经网络。例如,第一特征提取网络可以是包括至少一个卷积层的卷积神经网络,当然,可以理解的是,第一特征提取网络还可以包括至少一个池化层和/或至少一个激活函数层。
步骤403,对目标深度图像进行边缘检测,得到目标边缘检测结果。
在本实施例中,上述执行主体可以在获取到目标深度图像后,采用各种实现方式对目标深度图像进行边缘检测,得到目标边缘检测结果。其中,边缘检测的方法可以包括但不限于基于搜索和基于零交叉的检测方法。
基于搜索的边缘检测方法首先计算边缘强度,通常用一阶导数表示,例如梯度模,然后,用计算估计边缘的局部方向,通常采用梯度的方向,并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。通常用拉普拉斯算子或非线性微分方程的零交叉点。
下面给出一种边缘检测的具体步骤:
第一步,滤波。
边缘检测算法主要是基于图像灰度的一阶和二阶导数,但导数的计算对噪声很敏感,因此可以使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出,大多数滤波器在降低噪声的同时也导致了边缘强度的损失,因此,增强边缘和降低噪声之间需要折中。
第二步,增强。
增强边缘的基础是确定深度图像各点邻域灰度的变化值。增强算法可以将邻域(或局部)灰度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。
第三步,检测。
在深度图像中有许多点的梯度幅值比较大,而这些点在特定的应用领域中并不都是边缘,所以可以用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。
边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。因此,可以将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映,因此可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法,是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。其中,边缘检测算子可以包括但不限于以下计算一阶导数的Roberts Cross算子、Prewitt算子、Sobel算子、Kirsch算子、罗盘算子,以及计算二阶导数的Marr-Hildreth算子、在梯度方向的二阶导数过零点、Canny算子、Laplacian算子等等。
经过步骤403的边缘检测,可以得到目标边缘检测结果。这里,目标边缘检测结果可以包括至少一个点坐标序列,每个点坐标序列用于表示一条边缘线或者一个封闭图形。
需要说明的是,步骤402和步骤403可以并行执行,也可以先执行步骤402再执行步骤403,还可以先执行步骤403再执行步骤402,本申请对此不做具体限定。
步骤404,融合目标深度图像和目标边缘检测结果,得到第一融合特征向量。
在本实施例中,上述执行主体可以采用各种实现方式将步骤401中所获取的目标深度图像和步骤403中所得到的目标边缘检测结果进行融合,融合后得到第一融合特征向量。
在本实施例的一些可选的实现方式中,上述执行主体可以首先建立目标深度图像中各像素点与第一融合特征向量中的相应分量之间的对应关系,以及建立目标边缘检测结果中各个点坐标与第一融合特征向量中的相应分量之间的对应关系。然后,再将第一融合特征向量中各个分量的值确定为目标深度图像相应像素点的像素值或者目标边缘检测结果中的相应的点坐标。
在本实施例的一些可选的实现方式中,上述执行主体还可以首先采用各种图像特征提取方法,对目标深度图像进行特征提取得到第三特征向量。然后,将目标边缘检测结果中各个点坐标添加到第三特征向量之后,形成第一融合特征向量。这里,图像特征提取方法是现有技术中广泛研究和应用的现有技术,在此不再赘述。
步骤405,将第一融合特征向量输入预先训练的第二特征提取网络,得到第二特征向量。
在本实施例中,上述执行主体可以将步骤404中融合得到的第一融合特征图向量输入预先训练的第二特征提取网络,得到第二特征向量。这里,第二特征提取网络可以是各种具有特征提取功能的神经网络。例如,第二特征提取网络可以是包括至少一个卷积层的卷积神经网络,当然,可以理解的是,第二特征提取网络还可以包括至少一个池化层和/或至少一个激活函数层。
步骤406,拼接第一特征向量和第二特征向量,得到第二融合特征向量。
在本实施例中,上述执行主体可以拼接第一特征向量和第二特征向量,得到第二融合特征向量。例如,可以将第二特征向量各个分量拼接在第一特征向量各个分量之后,或者,也可以将第一特征向量各个分量拼接在第二特征向量各个分量之后。
步骤407,将第二融合特征向量输入预先训练的第一全连接层,生成目标深度图像的图像质量信息。
在本实施例中,上述执行主体可以将步骤406拼接后得到的第二融合特征向量输入预先训练的第一全连接层,生成目标深度图像的图像质量信息。这里,第一全连接层用于表征特征向量和图像质量信息之间的对应关系。
需要说明的是,这里,第一特征提取网络、第二特征提取网络和第一全连接层可以是通过如下第二训练步骤训练得到的,具体地,请参考图5,图5示出了根据本申请的训练第一特征提取网络、第二特征提取网络和第一全连接层的第二训练步骤的一个实施例的流程500:
步骤501,确定初始第一特征提取网络、初始第二特征提取网络和初始第一全连接层的网络结构以及初始化初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的网络参数。
在本实施例中,第二训练步骤的执行主体可以首先确定初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的网络结构。例如,需要确定初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层分别包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权值和偏置,每层的激活函数等等。需要注意的是,在确定初始第一特征提取网络、初始第二特征提取网络的网络结构的时候,初始第一特征提取网络和初始第二特征提取网络均为用于特征提取的神经网络,例如,初始第一特征提取网络和初始第二特征提取网络均可以为包括至少一个卷积层的卷积神经网络,当然,可以理解的是,初始第一特征提取网络和初始第二特征提取网络还可以包括至少一个池化层和/或至少一个激活函数层。
然后,第二训练步骤的执行主体可以初始化初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的网络参数。实践中,可以将初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的各个网络参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。
步骤502,获取训练样本集。
在本实施例中,第一训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息。
步骤503,对于训练样本集中的训练样本,执行参数调整步骤,参数调整步骤包括以下子步骤5031到子步骤5037:
子步骤5031,将该训练样本中的样本深度图像输入初始第一特征提取网络,得到第一样本特征向量。
由于初始第一特征提取网络为用于特征提取的神经网络,因此,第二训练步骤的执行主体可以将该训练样本中的样本深度图像输入初始第一特征提取网络,得到第一样本特征向量。
子步骤5032,对该训练样本中的样本深度图像进行边缘检测,得到样本边缘检测结果。
在本实施例中,第二训练步骤的执行主体可以对该训练样本中的样本深度图像进行边缘检测,得到样本边缘检测结果。关于边缘检测的方法可以参考图4所示的实施例中步骤403的相关描述,在此不再赘述。
经过子步骤5032后,可以得到样本边缘检测结果。这里,样本边缘检测结果可以包括至少一个点坐标序列,每个点坐标序列用于表示一条边缘线或者一个封闭图形。
子步骤5033,融合该训练样本中的样本深度图像和样本边缘检测结果,得到第一样本融合特征向量。
在本实施例中,第二训练步骤的执行主体可以融合该训练样本中的样本深度图像和样本边缘检测结果,得到第一样本融合特征向量。关于融合图像和边缘检测结果的方法可以参考图4所示的实施例中步骤404的相关描述,在此不再赘述。
子步骤5034,将第一样本融合特征向量输入初始第二特征提取网络,得到第二样本特征向量。
由于初始第二特征提取网络为用于特征提取的神经网络,因此,第二训练步骤的执行主体可以将第一样本融合特征向量输入初始第二特征提取网络,得到第二样本特征向量。
子步骤5035,拼接第一样本特征向量和第二样本特征向量,得到第二样本融合特征向量。
在本实施例中,第二训练步骤的执行主体可以拼接第一样本特征向量和第二样本特征向量,得到第二样本融合特征向量。关于拼接的方法可以参考4所示的实施例中步骤406的相关描述,在此不再赘述。
子步骤5036,将第二样本融合特征向量输入初始第一全连接层,生成该样本深度图像的图像质量信息。
在本实施例中,第二训练步骤的执行主体可以将第二样本融合特征向量输入初始第一全连接层,生成该样本深度图像的图像质量信息。
子步骤5037,基于所生成的图像质量信息与该训练样本中的标注信息之间的差异调整初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的网络参数。
在本实施例中,第二训练步骤的执行主体可以采用各种实现方式基于所生成的图像质量信息与该训练样本中的标注信息之间的差异调整初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的网络参数。例如,可以采用反向传播算法或者随机梯度下降算法来调整初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层的网络参数。
另外,可以采用各种损失函数来确定所生成的图像质量信息与该训练样本中的标注信息之间的差异,例如,可以采用L2范数作为确定所生成的图像质量信息与该训练样本中的标注信息之间的差异的损失函数。
步骤504,将训练得到的初始第一特征提取网络、初始第二特征提取网络以及初始第一全连接层确定为预先训练的第一特征提取网络、第二特征提取网络以及第一全连接层。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400中突出了将目标深度图像进行边缘检测得到边缘检测结果,然后拼接对目标深度图像进行特征提取得到的特征向量和对目标深度图像和边缘检测结果进行特征提取的特征向量,得到最终的特征向量,以及将最终的特征向量输入第一全连接层从而得到图像质量信息的步骤。由此,本实施例描述的方案可以在生成图像质量信息的过程中引入边缘检测结果,从而为生成图像质量信息引入更多的特征,提高生成图像质量信息的准确度。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于生成信息的装置600包括:获取单元601和生成单元602。其中,获取单元601,配置用于获取目标深度图像;生成单元601,配置用于将上述目标深度图像输入预先训练的神经网络,生成上述目标深度图像的图像质量信息,其中,上述神经网络是通过如下第一训练步骤得到的:确定初始神经网络的网络结构以及初始化上述初始神经网络的网络参数;获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息;将上述训练样本集中的训练样本中的样本深度图像和标注信息分别作为上述初始神经网络的输入和期望输出,利用机器学习方法训练上述初始神经网络;将训练得到的上述初始神经网络确定为上述预先训练的神经网络。
在本实施例中,用于生成信息的装置600的获取单元601和生成单元602的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述神经网络可以包括第一特征提取网络、第二特征提取网络和第一全连接层;以及上述生成单元602可以包括:第一输入模块6021,配置用于将上述目标深度图像预先训练的第一特征提取网络,得到第一特征向量;边缘检测模块6022,配置用于对上述目标深度图像进行边缘检测,得到目标边缘检测结果,上述目标边缘检测结果包括至少一个点坐标序列;融合模块6023,配置用于融合上述目标深度图像和上述目标边缘检测结果,得到第一融合特征向量;第二输入模块6024,配置用于将上述第一融合特征向量输入预先训练的第二特征提取网络,得到第二特征向量;拼接模块6025,配置用于拼接上述第一特征向量和上述第二特征向量,得到第二融合特征向量;第一生成模块6026,配置用于将上述第二融合特征向量输入预先训练的第一全连接层,生成上述目标深度图像的图像质量信息。
在本实施例的一些可选的实现方式中,上述融合模块6023可以进一步用于:建立上述目标深度图像中各像素点与上述第一融合特征向量中的相应分量之间的对应关系,以及建立上述目标边缘检测结果中各个点坐标与上述第一融合特征向量中的相应分量之间的对应关系;将上述第一融合特征向量中各个分量的值确定为上述目标深度图像相应像素点的像素值或者上述目标边缘检测结果中的相应点坐标。
在本实施例的一些可选的实现方式中,上述第一特征提取网络和上述第二特征提取网络可以均为卷积神经网络。
在本实施例的一些可选的实现方式中,上述神经网络可以包括第三特征提取网络和第二全连接层;以及上述生成单元602可以包括:第三输入模块6027,配置用于将上述目标深度图像输入预先训练的第三特征提取网络,生成上述目标深度图像的特征图像;第二生成模块6028,配置用于将所生成的特征图像输入预先训练的第二全连接层,生成上述目标深度图像的图像质量信息,其中,上述第二全连接层用于表征特征图像和图像质量信息之间的对应关系。
需要说明的是,本申请实施例提供的用于生成信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明,在此不再赘述。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU,Central Processing Unit)701,其可以根据存储在只读存储器(ROM,Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM,Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O,Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705:包括硬盘等的存储部分706;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器708也根据需要连接至I/O接口705。可拆卸介质709,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708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706。
特别地,根据本公开的实施例,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707从网络上被下载和安装,和/或从可拆卸介质709被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述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。在本申请中,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。而在本申请中,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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标深度图像的单元”。
作为另一方面,本申请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装置中所包含的;也可以是单独存在,而未装配入该装置中。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该装置执行时,使得该装置:获取目标深度图像;将目标深度图像输入预先训练的神经网络,生成目标深度图像的图像质量信息,其中,神经网络是通过如下第一训练步骤得到的:确定初始神经网络的网络结构以及初始化初始神经网络的网络参数;获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息;将训练样本集中的训练样本中的样本深度图像和标注信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练初始神经网络;将训练得到的初始神经网络确定为预先训练的神经网络。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于生成信息的方法,包括:
获取目标深度图像;
将所述目标深度图像输入预先训练的神经网络,生成所述目标深度图像的图像质量信息,其中,所述神经网络是通过如下第一训练步骤得到的:
确定初始神经网络的网络结构以及初始化所述初始神经网络的网络参数;
获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息;
将所述训练样本集中的训练样本中的样本深度图像和标注信息分别作为所述初始神经网络的输入和期望输出,利用机器学习方法训练所述初始神经网络;
将训练得到的所述初始神经网络确定为所述预先训练的神经网络;
其中,所述将所述目标深度图像输入预先训练的神经网络,生成所述目标深度图像的图像质量信息,包括:
将所述目标深度图像输入预先训练的第一特征提取网络,得到第一特征向量;对所述目标深度图像进行边缘检测,得到目标边缘检测结果,所述目标边缘检测结果包括至少一个点坐标序列;融合所述目标深度图像和所述目标边缘检测结果,得到第一融合特征向量;将所述第一融合特征向量输入预先训练的第二特征提取网络,得到第二特征向量;拼接所述第一特征向量和所述第二特征向量,得到第二融合特征向量;将所述第二融合特征向量输入预先训练的第一全连接层,生成所述目标深度图像的图像质量信息;所述神经网络包括所述第一特征提取网络、所述第二特征提取网络和所述第一全连接层。
2.根据权利要求1所述的方法,所述融合所述目标深度图像和所述目标边缘检测结果,得到第一融合特征向量,包括:
建立所述目标深度图像中各像素点与所述第一融合特征向量中的相应分量之间的对应关系,以及建立所述目标边缘检测结果中各个点坐标与所述第一融合特征向量中的相应分量之间的对应关系;
将所述第一融合特征向量中各个分量的值确定为所述目标深度图像相应像素点的像素值或者所述目标边缘检测结果中的相应点坐标。
3.根据权利要求2所述的方法,其中,所述第一特征提取网络和所述第二特征提取网络均为卷积神经网络。
4.根据权利要求1所述的方法,其中,所述神经网络包括第三特征提取网络和第二全连接层;以及
所述将所述目标深度图像输入预先训练的神经网络,生成所述目标深度图像的图像质量信息,包括:
将所述目标深度图像输入预先训练的第三特征提取网络,生成所述目标深度图像的特征图像;
将所生成的特征图像输入预先训练的第二全连接层,生成所述目标深度图像的图像质量信息,其中,所述第二全连接层用于表征特征图像和图像质量信息之间的对应关系。
5.一种用于生成信息的装置,包括:
获取单元,配置用于获取目标深度图像;
生成单元,配置用于将所述目标深度图像输入预先训练的神经网络,生成所述目标深度图像的图像质量信息,其中,所述神经网络是通过如下第一训练步骤得到的:
确定初始神经网络的网络结构以及初始化所述初始神经网络的网络参数;
获取训练样本集,其中,每个训练样本包括样本深度图像和用于表征样本深度图像的图像质量的标注信息;
将所述训练样本集中的训练样本中的样本深度图像和标注信息分别作为所述初始神经网络的输入和期望输出,利用机器学习方法训练所述初始神经网络;
将训练得到的所述初始神经网络确定为所述预先训练的神经网络;
所述生成单元包括:第一输入模块,配置用于将所述目标深度图像预先训练的第一特征提取网络,得到第一特征向量; 边缘检测模块,配置用于对所述目标深度图像进行边缘检测,得到目标边缘检测结果,所述目标边缘检测结果包括至少一个点坐标序列;融合模块,配置用于融合所述目标深度图像和所述目标边缘检测结果,得到第一融合特征向量;第二输入模块,配置用于将所述第一融合特征向量输入预先训练的第二特征提取网络,得到第二特征向量;拼接模块,配置用于拼接所述第一特征向量和所述第二特征向量,得到第二融合特征向量;第一生成模块,配置用于将所述第二融合特征向量输入预先训练的第一全连接层,生成所述目标深度图像的图像质量信息;所述神经网络包括所述第一特征提取网络、所述第二特征提取网络和所述第一全连接层。
6.根据权利要求5所述的装置,所述融合模块进一步用于:
建立所述目标深度图像中各像素点与所述第一融合特征向量中的相应分量之间的对应关系,以及建立所述目标边缘检测结果中各个点坐标与所述第一融合特征向量中的相应分量之间的对应关系;
将所述第一融合特征向量中各个分量的值确定为所述目标深度图像相应像素点的像素值或者所述目标边缘检测结果中的相应点坐标。
7.根据权利要求6所述的装置,其中,所述第一特征提取网络和所述第二特征提取网络均为卷积神经网络。
8.根据权利要求5所述的装置,其中,所述神经网络包括第三特征提取网络和第二全连接层;以及
所述生成单元包括:
第三输入模块,配置用于将所述目标深度图像输入预先训练的第三特征提取网络,生成所述目标深度图像的特征图像;
第二生成模块,配置用于将所生成的特征图像输入预先训练的第二全连接层,生成所述目标深度图像的图像质量信息,其中,所述第二全连接层用于表征特征图像和图像质量信息之间的对应关系。
9.一种电子设备,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时,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233913.6A CN108389172B (zh) | 2018-03-21 | 2018-03-21 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233913.6A CN108389172B (zh) | 2018-03-21 | 2018-03-21 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389172A CN108389172A (zh) | 2018-08-10 |
CN108389172B true CN108389172B (zh) | 2020-12-18 |
Family
ID=63068276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810233913.6A Active CN108389172B (zh) | 2018-03-21 | 2018-03-21 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389172B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410253B (zh) * | 2018-11-06 | 2019-11-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法、装置、电子设备和计算机可读介质 |
CN109949281A (zh) * | 2019-03-11 | 2019-06-28 | 哈尔滨工业大学(威海) | 一种胃镜图像质量检测方法及装置 |
JP7269778B2 (ja) * | 2019-04-04 | 2023-05-09 | 富士フイルムヘルスケア株式会社 | 超音波撮像装置、および、画像処理装置 |
CN111462069B (zh) * | 2020-03-30 | 2023-09-01 | 北京金山云网络技术有限公司 | 目标对象检测模型训练方法、装置、电子设备及存储介质 |
CN111523409B (zh) * | 2020-04-09 | 2023-08-29 | 北京百度网讯科技有限公司 | 用于生成位置信息的方法和装置 |
CN111862081B (zh) * | 2020-07-31 | 2023-11-24 | 抖音视界有限公司 | 图像评分方法、分数预测网络的训练方法、装置 |
CN116681681B (zh) * | 2023-06-13 | 2024-04-02 | 富士胶片(中国)投资有限公司 | 内窥镜图像的处理方法、装置、用户设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101640809A (zh) * | 2009-08-17 | 2010-02-03 | 浙江大学 | 一种融合运动信息与几何信息的深度提取方法 |
CN106295496A (zh) * | 2015-06-24 | 2017-01-04 | 三星电子株式会社 | 脸部识别方法和设备 |
CN106371599A (zh) * | 2016-09-08 | 2017-02-01 | 清华大学 | 深度图像中的高精度指尖定位方法及装置 |
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN107464230A (zh) * | 2017-08-23 | 2017-12-12 | 京东方科技集团股份有限公司 | 图像处理方法及装置 |
CN107578091A (zh) * | 2017-08-30 | 2018-01-12 | 电子科技大学 | 一种基于轻量级深度网络的行人车辆实时检测方法 |
CN107679466A (zh) * | 2017-09-21 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091162B (zh) * | 2014-07-17 | 2017-06-23 | 东南大学 | 基于特征点的三维人脸识别方法 |
US9918701B2 (en) * | 2014-09-03 | 2018-03-20 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
US9773196B2 (en) * | 2016-01-25 | 2017-09-26 | Adobe Systems Incorporated | Utilizing deep learning for automatic digital image segmentation and stylization |
CN106504751A (zh) * | 2016-08-01 | 2017-03-15 | 深圳奥比中光科技有限公司 | 自适应唇语交互方法以及交互装置 |
CN107818554B (zh) * | 2016-09-12 | 2023-04-21 | 索尼公司 | 信息处理设备和信息处理方法 |
CN107133948B (zh) * | 2017-05-09 | 2020-05-08 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
CN107679490B (zh) * | 2017-09-29 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
-
2018
- 2018-03-21 CN CN201810233913.6A patent/CN108389172B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101640809A (zh) * | 2009-08-17 | 2010-02-03 | 浙江大学 | 一种融合运动信息与几何信息的深度提取方法 |
CN106295496A (zh) * | 2015-06-24 | 2017-01-04 | 三星电子株式会社 | 脸部识别方法和设备 |
CN106371599A (zh) * | 2016-09-08 | 2017-02-01 | 清华大学 | 深度图像中的高精度指尖定位方法及装置 |
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN107464230A (zh) * | 2017-08-23 | 2017-12-12 | 京东方科技集团股份有限公司 | 图像处理方法及装置 |
CN107578091A (zh) * | 2017-08-30 | 2018-01-12 | 电子科技大学 | 一种基于轻量级深度网络的行人车辆实时检测方法 |
CN107679466A (zh) * | 2017-09-21 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
Non-Patent Citations (4)
Title |
---|
Sitting posture detection using adaptively fused 3D features;Sun Bei 等;《2017 IEEE 2nd Information Technology, Networking, Electronic and Automation Control Conference》;20171217;第1073-1077页 * |
基于深度卷积神经网络的目标跟踪;迟至真;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615(第06期);第I138-1510页 * |
多源运动图像的跨尺度配准与融合研究;李清平;《中国博士学位论文全文数据库 信息科技辑》;20160315;第I138-159页 * |
百度人脸识别API文档-V2人脸检测;百度;《https://ai.baidu.com/ai-doc/FACE/fk3co86lr》;20191124;第1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108389172A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389172B (zh) | 用于生成信息的方法和装置 | |
CN108710885B (zh) | 目标对象的检测方法和装置 | |
CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
CN108416323B (zh) | 用于识别人脸的方法和装置 | |
CN107123142B (zh) | 位姿估计方法和装置 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN111602138B (zh) | 基于人工神经网络的物体检测的系统及方法 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
CN109300151B (zh) | 图像处理方法和装置、电子设备 | |
CN112132847A (zh) | 模型训练方法、图像分割方法、装置、电子设备和介质 | |
CN111507262B (zh) | 用于检测活体的方法和装置 | |
CN113128419B (zh) | 一种障碍物识别方法和装置、电子设备及存储介质 | |
CN109145783B (zh) | 用于生成信息的方法和装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN114359289A (zh) | 一种图像处理方法及相关装置 | |
CN114898177B (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
CN110827341A (zh) | 一种图片深度估计方法、装置和存储介质 | |
CN111340015A (zh) | 定位方法和装置 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113283319A (zh) | 人脸模糊度的评价方法及装置、介质和电子设备 | |
CN109961060B (zh) | 用于生成人群密度信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |