CN111013149A - 一种基于神经网络深度学习的卡牌设计生成方法及系统 - Google Patents
一种基于神经网络深度学习的卡牌设计生成方法及系统 Download PDFInfo
- Publication number
- CN111013149A CN111013149A CN201911013303.6A CN201911013303A CN111013149A CN 111013149 A CN111013149 A CN 111013149A CN 201911013303 A CN201911013303 A CN 201911013303A CN 111013149 A CN111013149 A CN 111013149A
- Authority
- CN
- China
- Prior art keywords
- card
- description
- picture
- neural network
- data set
- 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
- 238000013461 design Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/60—Methods for processing data by generating or executing the game program
- A63F2300/6009—Methods for processing data by generating or executing the game program for importing or creating game content, e.g. authoring tools during game development, adapting content to different platforms, use of a scripting language to create content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于神经网络深度学习的卡牌设计生成方法及系统，通过获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；将图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。本发明还公开了对应的系统，包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元，本发明解决现有技术中存在的卡牌创作者无法持续稳定保持卡牌创意的问题。
Description
技术领域
本发明属于神经网络深度学习方法领域，具体涉及一种游戏卡牌的设计生成方法。
背景技术
卡牌类游戏作为游戏行业的重要元素之一，其游戏内容或游戏方式的更新一直是亟待解决的主要问题。为了保持卡牌游戏的活力，需要不断推陈出新，创作出全新而又有趣的卡牌以及不可或缺的基础卡牌来扩充卡池，保持玩家对游戏的新鲜感，来保证游戏的健康运营。一般来说，卡牌游戏中新的卡牌是通过卡牌创作者头脑风暴与灵光乍现来设计出优秀且有创意的卡牌，通过经验与对游戏的理解设计出不可缺少的卡牌。
卡牌的更新和设计主要由卡牌创作者提供创意，而创意需要灵感支撑，创意和灵感主观性强，创作者不能保证稳定的获取灵感、输出创意，就没办法保证其作品更新的持续性和质量稳定性。此外，除了有创意的卡牌外，卡牌游戏还需要许多不可或缺的基础卡牌来扩充卡池。对于卡牌创作者来说，基础卡牌的设计会占用他们很多时间，影响他们对创意卡牌的设计。
发明内容
本发明的目的在于：提供一种基于神经网络深度学习的卡牌设计生成方法，能够为卡牌创作者提供创意卡牌的思路和充足的基础卡牌设计，不仅对卡牌描述进行结构化，而且能够提高卡牌设计效率和更新的稳定性，进一步通过深度学习，提高设计出具有创意的高质量的卡牌的稳定性。
为了实现上述目的，本发明具体采用如下技术方案：一种基于神经网络深度学习的卡牌设计生成方法，包括：
获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
可选的，前述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，所述预处理部分为预先将输入的卡牌图片进行归一化处理，所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述；采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习，之后进行持续训练：将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。
可选的，前述进行持续训练中的：将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练替换为经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。
可选的，前述获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集，之后对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据，得到新的卡牌描述数据集；对所述新的卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
可选的，前述获取卡牌类游戏的卡牌图片和对应的卡牌描述词条的方法具体包括：通过爬虫技术，从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条，在提供有卡牌图片和/或卡牌描述的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌图片和/或卡牌描述的url并下载至本地。
可选的，前述的获取到保存有卡牌描述的url后，通过表格标签逐行获取不同的描述词条，再保存至本地。
可选的，前述的从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条后，对赋予每张卡片一个专属ID作为名称，并将ID作为文件名称进行保存，便于访问和管理。
可选的，前述对卡牌描述数据集中的描述部分进行结构化，所述结构化的方式为：将多个描述词条整理称为一个长的结构化描述词条，将各个词条用双竖线分割，再将所有字母降为小写，得到结构化调整之后的描述，从而得到<图片，结构化描述>的数据集。
本发明还提供了一种采用前述基于神经网络深度学习的卡牌设计生成方法的卡牌生成系统，包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元；
所述卡牌描述集获取单元获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
所述描述词条结构化单元对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
所述卡牌生成模型和模型训练单元将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
所述卡牌设计生成单元将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
本发明还提供了一种利用前述卡牌生成系统的应用，所述的卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元运行完成后，卡牌设计生成单元可单独的直接在多种软件中应用，而无需再次重复执行前述多个单元的运行。
与现有技术相比，本发明具有如下技术效果：
采用对所述卡牌描述数据集中的描述部分进行结构化，得到<图片，结构化描述>数据集，为卡牌生成模型的建立和运行提供基础；通过卡牌生成模型，进行卡牌设计和创作，提高卡牌设计效率和更新的稳定性，进一步通过深度学习，提高设计出具有创意的高质量的卡牌的稳定性。
通过预处理部分，卷积神经网络部分和循环神经网络部分建立卡牌生成模型，通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练，深度学习，增强卡牌生成模型的生成卡牌描述的质量。
将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练替换为经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练，被称作teacher forcing，能够使循环神经网络每一步都得到更有效的学习，提高了模型训练的速度。
采用对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据，得到新的卡牌描述数据集；对所述新的卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集，能够降低数据集处理量，保证后续卡牌生成模型良好运行。
对卡牌描述数据集中的描述部分进行结构化，更容易被卡牌生成模型所接纳理解，提高模型的训练效率和最终指标。
附图说明
图1为本发明具体实施方式中所述的基于神经网络深度学习的卡牌设计生成方法的示意图；
图2为本发明具体实施方式中所述的卡牌描述示意图；
图3为本发明具体实施方式中所述的卡牌生成模型结构示意图。
其中，附图标记：1-卡牌，2-卡牌描述。
具体实施方式
以下将对本发明的具体实施方式进行阐述。需要注意的是本发明并不仅仅只局限于这些实施方式。相反，对本发明进行的修改或者等同替换，均应涵盖在本发明的权利要求范围当中。另外，对于本领域技术人员熟知的技术和实现方法，不再进行过多描述。
如图1所示的一种基于神经网络深度学习的卡牌设计生成方法，包括：
获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据；
对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
其中，图1中所述的获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集。具体可通过以下方式实现：从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集。
对于卡牌图片而言，通过爬虫技术，在提供有卡牌图片的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌图片的url，再将其下载至本地。对于卡牌描述而言，通过爬虫技术，在提供有卡牌图片的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌描述词条的url，再通过表格标签逐行获取不同的描述词条，并保存至本地。其中，为了便于访问和管理，赋予每张卡片一个专属ID作为其名称，用以区分不同的卡牌，并将其作为文件名称进行保存。
其中，图1中所述的对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据。由于爬取到的数据常常有好有坏，那么进行模型训练之前，就需要清洗数据集。对于该数据集而言，需要对图片和描述进行清洗，如损坏的图片文件，以及乱码的描述文件等。通过对数据集进行一次全面检查，完成对无效数据的清洗。
其中，图1中所述的对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集。由于从网络上爬取的数据不能直接作为模型的数据进行训练，需要对数据集进行一次改造，使其更容易被模型所接纳理解，提高模型的训练效率和最终指标。对于描述来说，需要将多个描述词条整理称为一个长的结构化描述词条。对于图2中所示的卡牌1而言，其卡牌描述2拥有诸如Name，Class等多个词条，结构化成易于模型训练的描述后如下：
“acidic swamp ooze||minion||||||free||2||3||2||destroy your opponent's weapon.”将各个词条用双竖线分割，再将所有字母降为小写，得到结构化调整之后的描述，从而得到<图片，结构化描述>的数据集。
其中，图1中所述的将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型。具体实施方式如下：所述的卡牌生成模型的结构示意图如图3所示，所述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，预处理部分为预先将输入的卡牌图片进行归一化处理，以令模型更好的提取其特征向量，所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述，
采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习即对卡牌生成模型进行训练，
将原始单词序列中的单词继续输入对卡牌生成模型进行持续训练，而不将由所述循环神经网络通过softmax函数选拔出的一个概率最大单词作为后续的输入，这被称作teacher forcing。其中，所述原始单词序列为经one-hot编码形式编码后生成的所述单词序列。此种选择能够使循环神经网络每一步都得到更有效的学习，提高了模型训练的速度。
其中，图1中所述的将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。是指在模型训练完成后，将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，通过还原，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
采用如上所述的基于神经网络深度学习的卡牌设计生成方法的卡牌生成系统，包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元。卡牌描述集获取单元获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集，并能够对卡牌描述数据集通过删除无效的<图片，描述>数据的方式实现卡牌描述数据集的更新，降低后续数据处理复杂量；所述描述词条结构化单元对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；所述卡牌生成模型和模型训练单元将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；所述卡牌设计生成单元将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
当卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元运行完成后，可将对应的卡牌设计生成单元分到若干个软件或应用程序中使用，直接对卡牌生成单元进行输入，即可输出符合要求的卡牌设计，而无需再次重复执行前述多个单元的运行。如将卡牌设计生成单元植入卡牌游戏软件中，通过服务器连接到卡牌生成模型，将卡牌生成模型的输出结果通过服务器连接到软件中，直接输出新设计的卡牌，并不需要将所有卡牌生成系统中的单元植入软件中。
需要说明的是，本发明具体实施方式中采用的技术手段，对本发明的保护范围不构成任何限制，凡采用本领域中常用技术的等效替换或简单改进的，均属于本发明专利的保护范围。
Claims (9)
1.一种基于神经网络深度学习的卡牌设计生成方法，其特征在于，包括：获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
2.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，
所述预处理部分为预先将输入的卡牌图片进行归一化处理，
所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，
所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述，
采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习，之后进行持续训练：将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。
3.如权利要求2所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，
所述预处理部分为预先将输入的卡牌图片进行归一化处理，
所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，
所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述，
采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习，之后进行持续训练：采用经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。
4.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集，之后对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据，得到新的卡牌描述数据集；
对所述新的卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
5.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，获取卡牌类游戏的卡牌图片和对应的卡牌描述词条的方法具体包括：通过爬虫技术，从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条，在提供有卡牌图片和/或卡牌描述的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌图片和/或卡牌描述的url并下载至本地。
6.如权利要求5所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述的获取到保存有卡牌描述的url后，通过表格标签逐行获取不同的描述词条，再保存至本地。
7.如权利要求5所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述的从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条后，对赋予每张卡片一个专属ID作为名称，并将ID作为文件名称进行保存。
8.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，对所述卡牌描述数据集中的描述部分进行结构化，所述结构化的方式为：将多个描述词条整理称为一个长的结构化描述词条，将各个词条用双竖线分割，再将所有字母降为小写，得到结构化调整之后的描述，从而得到<图片，结构化描述>的数据集。
9.采用如权利要求1-8任一权利要求所述的基于神经网络深度学习的卡牌设计生成方法的卡牌生成系统，其特征在于：包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元；
所述卡牌描述集获取单元获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
所述描述词条结构化单元对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
所述卡牌生成模型和模型训练单元将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
所述卡牌设计生成单元将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013303.6A CN111013149A (zh) | 2019-10-23 | 2019-10-23 | 一种基于神经网络深度学习的卡牌设计生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013303.6A CN111013149A (zh) | 2019-10-23 | 2019-10-23 | 一种基于神经网络深度学习的卡牌设计生成方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111013149A true CN111013149A (zh) | 2020-04-17 |
Family
ID=70201521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911013303.6A Pending CN111013149A (zh) | 2019-10-23 | 2019-10-23 | 一种基于神经网络深度学习的卡牌设计生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111013149A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111265881A (zh) * | 2020-01-21 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、内容生成方法以及相关装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150066496A1 (en) * | 2013-09-02 | 2015-03-05 | Microsoft Corporation | Assignment of semantic labels to a sequence of words using neural network architectures |
| US20150149454A1 (en) * | 2013-11-27 | 2015-05-28 | Eagle View Technologies, Inc. | Preferred image retrieval |
| CN106503055A (zh) * | 2016-09-27 | 2017-03-15 | 天津大学 | 一种从结构化文本到图像描述的生成方法 |
| CN108830287A (zh) * | 2018-04-18 | 2018-11-16 | 哈尔滨理工大学 | 基于残差连接的Inception网络结合多层GRU的中文图像语义描述方法 |
| CN108875807A (zh) * | 2018-05-31 | 2018-11-23 | 陕西师范大学 | 一种基于多注意力多尺度的图像描述方法 |
| CN109271628A (zh) * | 2018-09-03 | 2019-01-25 | 东北大学 | 一种图像描述生成方法 |
| CN110188775A (zh) * | 2019-05-28 | 2019-08-30 | 创意信息技术股份有限公司 | 一种基于联合神经网络模型的图像内容描述自动生成方法 |
| US20190273510A1 (en) * | 2018-03-01 | 2019-09-05 | Crowdstrike, Inc. | Classification of source data by neural network processing |
-
2019
- 2019-10-23 CN CN201911013303.6A patent/CN111013149A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150066496A1 (en) * | 2013-09-02 | 2015-03-05 | Microsoft Corporation | Assignment of semantic labels to a sequence of words using neural network architectures |
| US20150149454A1 (en) * | 2013-11-27 | 2015-05-28 | Eagle View Technologies, Inc. | Preferred image retrieval |
| CN106503055A (zh) * | 2016-09-27 | 2017-03-15 | 天津大学 | 一种从结构化文本到图像描述的生成方法 |
| US20190273510A1 (en) * | 2018-03-01 | 2019-09-05 | Crowdstrike, Inc. | Classification of source data by neural network processing |
| CN108830287A (zh) * | 2018-04-18 | 2018-11-16 | 哈尔滨理工大学 | 基于残差连接的Inception网络结合多层GRU的中文图像语义描述方法 |
| CN108875807A (zh) * | 2018-05-31 | 2018-11-23 | 陕西师范大学 | 一种基于多注意力多尺度的图像描述方法 |
| CN109271628A (zh) * | 2018-09-03 | 2019-01-25 | 东北大学 | 一种图像描述生成方法 |
| CN110188775A (zh) * | 2019-05-28 | 2019-08-30 | 创意信息技术股份有限公司 | 一种基于联合神经网络模型的图像内容描述自动生成方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李晓莉;张慧明;李晓光;: "多主题的图像描述生成方法研究", 小型微型计算机系统, no. 05, pages 1 - 3 * |
| 杨楠;南琳;张丁一;库涛;: "基于深度学习的图像描述研究", 红外与激光工程, no. 02, pages 1 - 2 * |
| 杨雁峰: "基于条件随机场和电商领域特征的中文产品描述信息自动分词研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 572 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111265881A (zh) * | 2020-01-21 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、内容生成方法以及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090400B (zh) | 一种图像文本识别的方法和装置 | |
| CN112669308B (zh) | 基于风格迁移的图像生成方法、系统、设备及存储介质 | |
| CN108304376B (zh) | 文本向量的确定方法、装置、存储介质及电子装置 | |
| CN111160568A (zh) | 机器阅读理解模型训练方法、装置、电子设备和存储介质 | |
| CN113283238B (zh) | 文本数据处理的方法和装置、电子设备和存储介质 | |
| CN106407381A (zh) | 一种基于人工智能的推送信息的方法和装置 | |
| CN111767394A (zh) | 一种基于人工智能专家系统的摘要提取方法及装置 | |
| CN111581367A (zh) | 一种题目录入的方法和系统 | |
| CN110297897B (zh) | 问答处理方法及相关产品 | |
| CN114972929A (zh) | 一种医学多模态模型的预训练方法及装置 | |
| CN111013149A (zh) | 一种基于神经网络深度学习的卡牌设计生成方法及系统 | |
| CN114694176A (zh) | 一种基于深度学习的轻量级人体姿态估计方法 | |
| CN110502236B (zh) | 基于多尺度特征解码的前端代码生成方法、系统及设备 | |
| CN113591472A (zh) | 歌词生成方法、歌词生成模型训练方法、装置及电子设备 | |
| CN112084788A (zh) | 一种影像字幕隐式情感倾向自动标注方法及系统 | |
| CN110909174A (zh) | 一种基于知识图谱的简单问答中实体链接的改进方法 | |
| CN116977502A (zh) | 运动重定向方法、装置、电子设备及计算机可读存储介质 | |
| CN113312448B (zh) | 一种诗歌生成方法、系统及可读存储介质 | |
| CN110706771B (zh) | 多模态患教内容的生成方法、装置、服务器及存储介质 | |
| CN111539873B (zh) | 个人风格书法字字库生成方法及系统 | |
| CN110889028A (zh) | 一种语料处理以及模型训练的方法及系统 | |
| CN113627567B (zh) | 图片处理方法、文本处理方法、相关设备及存储介质 | |
| CN116383428B (zh) | 一种图文编码器训练方法、图文匹配方法及装置 | |
| CN114140688B (zh) | 基于透射扫描图像的叶脉表型提取方法、装置及电子设备 | |
| Zhang et al. | Sketch2RealGAN: A Conditional GAN-based Method for Generating Clothing Images from Sketches |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240419 |
|
| AD01 | Patent right deemed abandoned |