CN111046975B - 人像生成方法、装置、系统、电子设备及存储介质 - Google Patents

人像生成方法、装置、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN111046975B
CN111046975B CN201911379844.0A CN201911379844A CN111046975B CN 111046975 B CN111046975 B CN 111046975B CN 201911379844 A CN201911379844 A CN 201911379844A CN 111046975 B CN111046975 B CN 111046975B
Authority
CN
China
Prior art keywords
portrait
generation
network
target
random number
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
Application number
CN201911379844.0A
Other languages
English (en)
Other versions
CN111046975A (zh
Inventor
苏哲昆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201911379844.0A priority Critical patent/CN111046975B/zh
Publication of CN111046975A publication Critical patent/CN111046975A/zh
Application granted granted Critical
Publication of CN111046975B publication Critical patent/CN111046975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明实施例提供一种人像生成方法、装置、电子设备及存储介质，所述方法包括：获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；将所述目标人像发送到所述用户端。本发明无需大规模的对人像进行采集，即可获取到大量的人像数据，提高了人像数据的获取效率。

Description

人像生成方法、装置、系统、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种人像生成方法、装置、系统、电子设备及存储介质。
背景技术
随着人脸识别技术研究逐渐深入，各领域人脸识别产品的落地及铺开，在研究人脸识别技术过程中，在开发、测试、展示基于人脸识别的产品时，对人脸图像的需求日益旺盛。现有人脸数据的获取是通过部署在各场景的摄像头对人脸图像进行采集，并录入数据库中得到，但是由于摄像头部署的范围有限，拍摄到的视场范围有限，这样采集到的数据并不全面，数据收集的难度较大，并且还有随之而来的法律、隐私方面的风险，使得大规模的人脸图像数据难以获得，从而连带地影响基于大规模人脸图像数据的研究、开发、测试、展示活动的顺利进行。因此，现有人脸图像数据的获取效率不高。
发明内容
本发明实施例提供一种人像生成方法，能够提高人脸图像数据的获取效率。
第一方面，本发明实施例提供一种人像生成方法，包括：
获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；
提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；
根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；
将所述目标人像发送到所述用户端。
可选的，所述根据所述目标人像条件，匹配对应的人像生成模型，包括：
将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径；
根据所述请求路径，得到与所述模型路径相对应的人像生成模型。
可选的，所述目标人像条件包括性别、分辨率以及地区中至少一项人像属性条件，所述人像生成模型对应包括性别、分辨率以及地区中至少一项人像属性信息，所述预先设置的规则为所述人像属性条件的排序规则，所述将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径包括：
提取所述人像生成请求中的人像属性条件，并判断所述人像属性条件是否大于一项；
若所述人像属性条件大于一项，则根据所述排序规则，将所述人像属性条件进行排序，生成对应人像生成模型的请求路径。
可选的，所述人像生成模型的训练步骤，包括：
构建人像生成网络以及人像判断网络，所述人像生成网络用于生成人像，所述人像判断网络用于判断人像是否为所述人像生成网络生成的人像；
获取真实人像数据集，所述真实人像数据集作为正样本用于训练所述人像判断网络；
获取通过所述人像生成网络生成的模拟人像数据集，所述模拟人像数据集作为负样本用于训练所述人像判断网络以及作为正样本用于训练所述人像生成网络；
基于所述真实人像数据集以及模拟人像数据集单独训练所述人像判断网络，以使所述人像判断网络学习到对真实人像数据以及模拟人像的判断；
基于所述模拟人像数据集训练所述人像生成网络，以使所述人像生成网络学习到趋于所述真实人像数据集的输出；
基于训练好的人像生成网络，得到目标人像生成模型。
可选的，所述基于所述模拟人像数据集训练所述人像生成网络，包括：
将所述模拟数据集作为正样本输入到初始人像生成网络对所述初始人像生成网络进行训练，得到第一人像生成网络；
将所述第一人像生成网络输出的第一人像输入到第一人像判断网络进行判断，并计算得到误差参数，所述第一人像判断网络基于所述真实人像数据集以及所述第一人像生成网络生成的第一模拟人像数据集进行训练得到；
将所述误差参数返回所述第一人像生成网络，并根据所述误差参数更新所述第一人像生成网络中的参数，直到所述人像判断网络返回的参数满足预设值，得到第二人像生成网络，并基于所述真实人像数据集以及所述第二人像生成网络生成的第一模拟人像数据集训练得到第二人像判断网络；
迭代上述步骤到预设次数，得到最终人像生成网络；
所述基于训练好的人像生成网络，得到目标人像生成模型，包括：
提取所述最终人像生成网络，得到目标人像生成模型。
可选的，在所述将所述目标人像发送到所述用户端之前，所述方法还包括：
生成所述目标图像的统一资源定位信息；
将所述统一资源定位信息发送到用户端以使用户通过所述统一资源定位信息下载所述目标图像；
所述将所述目标人像发送到所述用户端，包括：
响应于包含所述统一资源定位信息的用户端下载请求，将与所述统一资源定位信息相对对应的目标人像发送到所述用户端。
第二方面，本发明实施例提供一种人像生成装置，包括：
获取模块，用于获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；
提取模块，用于提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；
生成模块，用于根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；
发送模块，用于将所述目标人像发送到所述用户端。
第三方面，本发明实施例提供一种人像生成系统，其特征在于，所述系统包括：
服务器，所述服务器包括本发明实施提供的人像生成装置；
用户端，所述用户端用于向所述服务器发送人像生成请求，并接收所述服务器返回的目标人像。
第四方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的人像生成方法中的步骤。
第五方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的人像生成方法中的步骤。
本发明实施例中，获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；将所述目标人像发送到所述用户端。通过用户提供的目标人像条件匹配到对应的人像生成模型，通过用户提供的随机数种子生成的随机噪声，并将随机噪声作为人像生成模型的输入，使得到人像生成模型生成对应于目标人像条件的人像，无需大规模的对人像进行采集，即可获取到大量的人像数据，提高了人像数据的获取效率，有利于大规模人脸图像数据的研究、开发、测试、展示活动的顺利进行。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种人像生成方法的流程图；
图2是本发明实施例提供的一种人像生成模型训练方法的流程图；
图3是本发明实施例提供的一种人像生成模型具体训练方法的流程图；
图4是本发明实施例提供的一种人像生成装置的结构示意图；
图5是本发明实施例提供的另一种人像生成装置的结构示意图；
图6是本发明实施例提供的另一种人像生成装置的结构示意图；
图7是本发明实施例提供的另一种人像生成装置的结构示意图；
图8是本发明实施例提供的另一种人像生成装置的结构示意图；
图9是本发明实施例提供的另一种人像生成装置的结构示意图；
图10是本发明实施例提供的一种电子设备的结构示意图；
图11是本发明实施例提供的一种人像生成系统的结构示意图；
图12是本发明实施例提供的另一种人像生成系统的结构示意图；
图13是本发明实施例提供的另一种人像生成系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种人像生成方法的流程图，如图1所示，包括以下步骤：
101、获取用户端的人像生成请求。
其中，上述的人像生成请求为用户端根据用户的需要进行生成并发送到服务器上，上述人像生成请求包括目标人像条件以及随机数种子。
上述人像生成请求中的目标人像条件可以是根据用户自行选取，也可以是根据用户选取的项目名称自动进行生成。
上述的用户自动选取可以是用户在用户端的展示界面中对人像条件进行点选、勾选或拖选等操作方式对人像条件进行选取，比如，将人像条件做成标签的形式在展示界面中进行展示，用户通过点击选取对应的标签，在提交时，用户端将用户点击选取的标签生成对应的人像生成请求并发送到服务器上；或者将人像条件展示在展示界面中，每个人像条件对应一个勾选框，用户通过勾选对应的勾选框对人像条件进行选取，在提交时，用户端将用户勾选的人像条件生成对应的人像生成请求；或者是将人像条件做成可拖动标签在展示界面中进行展示，该展示界面还包括一个确认框，用户通过拖动操作将人像条件标签拖动到确认框中，在提交时，用户端根据该确认框中的人像条件标签生成对应的人像生成请求并发送到服务器上。
上述的根据项目名称自动进行生成，上述的项目名称对应有该项目所需要的人像条件，比如人脸识别的训练项目，对应需要不同特征的人脸(每张脸拥有不同的特征表达)，此时该人脸识别的训练项目可以对应设置所有人像条件作为项目所需人像条件，获取不同的人像数据对人脸识别模型进行训练，如人像A、人像B、人像C等；或人脸分类的训练项目，对应需要各类人脸(每类人脸拥有共同特征表达，各类人脸拥有不同的特征表达)，此时该人脸分类的训练项目可以对应设置各类人像条件作为项目所需要人像条件，如A类人、B类人、C类人等。在用户选取项目名称时，用户端会根据该项目对应的人像条件自动生成对应的人像生成请求并发送到服务器上。
上述的随机数种子用于输入到随机数生成器中以得到随机序列，上述的随机数生成器中包括随机数算法，随机数生成器可以根据该随机数输入的随机数种子生成对应的数据序列，通过随机数算法的多次迭代，可以将一个随机数种子转换为数据序列，该数据序列包括多个数字。上述的随机数种子可以是各种类型的数据，比如数字、字母、图像、声音等数据。
在本发明实施例中，用户端在获取到用户选取的目标人像条件后，会判断用户是否选取了随机数种子，若用户选取了随机数种子，则用户端同时获取用户选取的随机数种子生成人像生成请求并发送到服务器中，若用户没有选取随机数种子，则用户端可以提示用户选取随机数种子，也可以随机为用户选取随机数种子。在一种可能的实施例方式中，若用户没有选取随机数种子，可以通过目标人像条件为用户匹配对应的随机数种子。
上述的目标人像条件包括性别、分辨率以及地区中至少一项人像属性条件，上述性别属性条件可以是男、女，上述分辨率属性条件可以是64像素长宽、128像素长度、256像素长宽等，上述地区属性条件可以是亚洲地区、欧洲地区、美洲地区、非洲地区等人像属性条件。当然，上述的目标人像条件还以包括其他人像属性条件，比如职业、年龄、眼镜、帽子、耳坠、微笑等人像属性条件。
上述的服务器可以是超文本传输协议(HTTP，Hyper Text Transfer Protocol)服务器，上述用户端可以是超文本传输协议用户端，比如计算机WEB页面、移动设备WEB页面等。上述的服务器也可以是应用服务器，上述用户端可以是应用的用户端，比如计算机应用程序、移动设备APP等。
102、提取所述人像生成请求中的随机数种子，并将随机数种子输入到随机数生成器中，以使随机数生成器根据随机数种子产生对应的随机噪声。
在该步骤中，服务器中部署有随机数生成器，在服务器获取到用户端发送的人像生成请求后，会解析该人像生成请求，得到目标人像条件以及随机数种子，并提取出该随机数种子输入到随机数生成器中。
上述的随机数生成器中维护有一个随机数算法，可以根据一个随机数种子，输出一串随机数序列作为随机噪声，当然，相同的随机数种子在随机数生成器中会得到相同随机数序列，由于该随机数序列由随机数组成，并不会固定表征某个事物，所述随机数序列也被称为随机噪声。
具体的，输入一个随机数种子到随机数生成器中，会通过随机数算法得到一个随机数作为第一随机数结果，再将该第一随机数结果输入到随机数生成器中，通过随机数算法得到第二随机数结果，将上一次的随机数结果作为下一次的随机数算法的输入，迭代计算多次后，将每次随机数算法得到结果形成随机数序列，即得到与随机数种子对应的随机噪声。
在一种可能的实施例中，针对不同类型的随机数种子，可以在服务器上部署不同的随机数生成器，比如，针对随机数种子为数字的随机数生成器；针对随机数种子为字母的随机数生成器；针对随机数种子为图像的随机数生成器；针对随机数种子为声音的随机数生成器等。在该实施例中，在服务器解析人像生成请求后，会先判断随机数种子的类型，根据随机数种子的类型，选取对应的随机数生成器生成与该随机数种子对应的随机噪声。这样，可以提供更多随机噪声产生方式，增加用户的体验。
103、根据目标人像条件，匹配对应的人像生成模型，将随机噪声输入到对应的人像生成模型中生成得到目标人像。
在该步骤中，上述人像生成模型为预先训练好的人像生成模型，上述人像生成模型部署在服务器中，上述的人像生成模型包括性别、分辨率以及地区中至少一项人像属性信息。具体来说，上述的人像生成模型包括的人像属性信息为用户在用户端可以选取的人像属性信息，比如，当用户端只提供有性别的人像属性条件，则服务器上的人像生成模型则只包括性别这一人像属性信息，即当用户端只提供男、女两项可选人像属性条件时，则服务器上可以只部署两个人像生成模型，其中一个为男性人像生成模型，一个为女性人像生成模型。当然，可以通过增加人像生成模型，来为用户提供更多人像条件，使用户的选择更加丰富。人像生成模型的数量与人像条件的数量成正相关，比如，人像生成条件中包括2个性别的人像条件，3个分辨率的人像条件，4个地区的人像条件，则可以部署的人像生成模型的数量为2*3*4＝24个。
上述根据目标人像条件匹配对应的人像生成模型可以是将目标人像条件按预先设置的规则生成对应人像生成模型的请求路径，根据该请求路径，得到与该目标人像条件相对应的人像生成模型。
上述的目标人像条件包括性别、分辨率以及地区中至少一项人像属性条件，上述人像属性条件与服务器中的人像生成模型的人像属性信息相对应，可以维护人像属性信息与对应人像生成模型的映射关系来通过人像属性信息索引到对应的人像生成模型，同时，维护人像属性条件与人像属性信息的映射关系来通过人像属性条件索引到对应的人像属性信息，从而索引到对应的人像生成模型。
上述预先设置的规则可以是人像属性条件的排序规则，比如，先匹配哪个人像属性条件，以目标人像条件包括性别、分辨率以及地区为例，可以是先匹配性别的人像属性条件，再匹配分辨率的人像属性条件，最后匹配地区的人像属性条件，根据该排序规则，可以得到性别/分辨率/地区的请求路径。假如用户请求的人像为“128像素长宽东亚男性”，则得到请求路径为男性/128像素长宽/东亚，可以根据该请求路径，请求到能够生成“128像素长宽东亚男性”人像的人像生成模型。
在匹配到对应的人像生成模型之后，会将根据随机数种子生成的随机噪声输入到该人像生成模型中，作为该人像生成模型的输入。由于随机噪声一个数据序列，在人像生成模型会将将数据序列中的数据进行重新分布，使之能够表达出对应的人脸特征，从而得到对应的人像。
在一种可能的实施例中，服务器在解析用户端的人像生成请求后，会判断该人像生成请求中的人像属性条件是一个或多个。若是一个，则根据该属性条件匹配对应的人像生成模型，匹配结果可以是多个人像生成模型，将随机噪声输入到匹配到的一个或多个人像生成模型，生成对应的一个或多个目标人像。若是多个，则会根据上述预设的排序规则，对该多个人像属性条件进行排序，生成对应人像生成模型的请求路径。
在本发明实施例中，人像生成模型的训练可以根据人像生成模型的人像属性信息进行训练，比如，想要训练出男性的人像，可以通过构建男性人像数据集进行训练，想要训练出欧洲女性的人像，可以通过构建欧洲女性人像数据集进行训练，分辨率可以通过参数调整进行控制，比如增加上采样或下采样，将最终的人像采样到对应的分辨率。
具体的，请参照图2，图2是本发明实施例提供的一种人像生成模型的训练方法，人像生成模型包括人像生成网络，通过训练该人像生成网络得到该人像生成模型，如图2所示，该人像生成模型的训练方法包括：
201、构建人像生成网络以及人像判断网络。
上述人像生成网络用于生成人像，上述人像判断网络用于判断人像是否为上述人像生成网络生成的人像。上述人像生成网络可以根据人像属性信息进行构建，上述人像判断可以是人脸分类网络。对于构建好的人像生成网络而言，其生成人像的能力还很差，需要经过不断的训练，才会使得输出的人像趋于真实，上述人像判断网络则用于在人像生成网络的训练中，不断为生成网络提供误差参数，以使生成网络被训练成能够生成该人像判断网络都不能分辨真假的人像。
上述人像生成网络的构建可以是用户自行设计，也可以是通过开源的途径获取到的任意一个人像生成网络，对该人像生成网络的生成效果并没有要求。
202、获取真实人像数据集。
在该步骤中，上述真实人像数据集作为正样本用于训练所述人像判断网络；上述真实人像数据集可以根据所要训练的人像生成网络的人像属性信息进行获取，比如，想要训练亚洲女性的人像，则上述真实人像数据集中的人像为真实的亚洲女性人像。
203、获取通过人像生成网络生成的模拟人像数据集。
在该步骤中，上述模拟人像数据集作为负样本用于训练上述人像判断网络以及作为正样本用于训练上述人像生成网络；该模拟人像数据集为构建好的人像生成模型输出的人像。
204、基于真实人像数据集以及模拟人像数据集单独训练人像判断网络，以使人像判断网络学习到对真实人像数据以及模拟人像的判断。
在该步骤中，可以通过0和1分别做为模拟人像数据集以及真实人像数据集的标签，对人像判断网络进行训练，即在训练人像判断网络时，希望人像判断网络学习到输入真实数据集中的真实人像时，会输出1，输入模拟数据集中的模拟人像时，会输出0。
205、基于模拟人像数据集训练人像生成网络，以使人像生成网络学习到趋于真实人像数据集的输出。
在该步骤中，上述模拟人像数据集为上一代人像生成网络输出得到的模拟人像数据集，用于训练下一代人像生成网络。
具体的，在训练人像生成网络时，在该人像生成网络的输出之后串接一个人像判断网络进行训练，在训练好之后，取出该人像生成网络作为最终的人像生成网络部署在服务器中。需要说明的是，人像判断网络是单独训练得到，人像生成网络需要串接一个人像判断网络进行训练。
请参见图3，图3是本发明实施例提供的人像生成网络具体训练的流程示意图，如图3所示，包括：
301、将第一人像生成网络输出的第一模拟人像数据集输入到第一人像判断网络进行判断，并计算得到误差参数。
上述第一人像判断网络基于真实人像数据集以及初始人像生成网络生成的第一模拟人像数据集进行训练得到。具体的，在构建第一人像生成网络后，会通过第一人像生成网络生成一批图像作为第一模拟人像数据集，将真实人像作为正样本，第一模拟人像作为负样本，对该初始人像判断网络进行训练，得到第一人像判断网络。
在该步骤中，通过将第一模拟人像数据集作为正样本输入到第一人像生成网络与第一人像判断网络中进行训练，第一人像判断网络在训练过程中，参数保持不变，即还保持了判断真实人像与模拟人像的相关参数，这样，输入第一模拟人像就会产生误差参数。
302、将误差参数返回第一人像生成网络，并根据误差参数更新第一人像生成网络中的参数，直到人像判断网络返回的参数满足预设值，得到第二人像生成网络，并基于真实人像数据集以及第二人像生成网络生成的第一模拟人像数据集训练得到第二人像判断网络。
在该步骤中，第一人像判断网络返加的误差参数被用于更新调整第一人像生成网络中的参数，使得第一人像生成网络不断调整自身参数，从而得到与第一人像判断网络中真实人像参数逼近的输出，这样，第一人像判断网络就判断不出第一人像生成网络生成的模拟人像与真实人像的区别。此时，完成训练，得到第二人像生成网络，对于第二人像生成网络生成的人像，第一人像判断网络已经不能再判断该人像是模拟人像还是真实人像。在这种情况下，需要第二人像判断网络来对第二人像生成网络生成的人像进行判断。具体的，将真实人像数据集与第二人像生成网络生成的第二模拟人像数据集输入到第一人像判断网络或初始人像判断网络中进行训练，同样的，以真实人像数据集作为正样本，第二模拟人像数据集作为负样本进行训练，得到第二人像判断网络，该第二人像判断网络能够判断第二人像生成网络生成的人像为模拟人像。
303、迭代步骤301和步骤302到预设次数，得到最终人像生成网络。
该预设次数可以是由模型训练人员自行定义，比如迭代200次。
通过上述的步骤对人像生成模型进行训练，可以使得人像生成网络生的人像更加的趋于真实，可以为大规模人脸图像数据的研究、开发、测试、展示活动提供高质量的人像。
206、基于训练好的人像生成网络，得到目标人像生成模型。
基于步骤303的训练结果，提取最终人像生成网络，得到目标人像生成模型。
具体的，在达到预设次数后，取出最终人像生成网络即可，人像判断网络是辅助训练用的，在将最终人像生成网络作为目标人像生成模型部署到服务器中时，不需要人像判断网络。
104、将目标人像发送到用户端。
服务器在通过人像生成模型生成目标人像后，将目标人像返回到用户端，以使用户端的用户得到该目标人像。
可选的，在步骤104之前，在获取到目标人像之后，服务器会将该目标人像进行存储，并生成对应的统一资源定位信息，可以是统一资源定位符，并将该统一资源定位信息发送到用户端以用户可以通过该统一资源定位信息访问服务器中存储该目标人像的位置。在用户端根据该统一资源定位信息向服务器发出下载请求时，服务器响应于该包含有统一资源定位信息的用户端下载请求，将与该统一资源定位信息相对应的目标人像发送到该用户端。
可选的，上述的服务器包括HTTP服务器以及人像生成服务器，上述的HTTP服务器提供信息访问以及信息下载服务，上述人像生成服务器部署人像生成模型，以提供人像生成服务，并将生成的人像发送到HTTP服务器作为信息资源以供用户访问或下载。在HTTP服务器接收到用户端的人像生成请求时，会解析该人像生成请求中的目标人像条件，得到人像生成模型的请求路径，并向对应的人像生成服务器中的人像生成模型进行请求，以使对应的人像生成模型生成根据随机数种子生成对应的人像，人像生成服务器生成对应的人像后，会发送到HTTP服务器中，HTTP服务器会将该人像进行存储，并生成对应的统一资源定位符。HTTP服务器将对应人像的统一资源定位符下发到第一用户端或第二用户端，第一用户端是发送人像请求的用户端，第二用户端为其他用户端，比如，专门用于接收HTTP服务器下发的统一资源定位符的用户端，这样，可以通过第一用户端连续对人像进行请求的同时，第二用户端可以将已生成的人像通过统一资源定位符下载下来，提高了人像获取效率。
可选的，在用户请求批量人像生成时，服务器中会存储批量的目标人像，并且每个人像均生成有对应的统一资源定位符，服务器会一同返回一个具有批量选择的下载脚本到用户端，用户可以通过该下载脚本对批量的目标人像进行批量下载，无需根据一条一条的统一资源定位符去一一下载。
本发明实施例中，获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；将所述目标人像发送到所述用户端。通过用户提供的目标人像条件匹配到对应的人像生成模型，通过用户提供的随机数种子生成的随机噪声，并将随机噪声作为人像生成模型的输入，使得到人像生成模型生成对应于目标人像条件的人像，无需大规模的对人像进行采集，即可获取到大量的人像数据，提高了人像数据的获取效率，有利于大规模人脸图像数据的研究、开发、测试、展示活动的顺利进行。
需要说明的是，本发明实施例提供的人像生成方法可以应用于需要人像生成的手机、监控器、计算机、服务器等设备。
请参见图4，图4是本发明实施例提供的一种人像生成装置的结构示意图，如图4所示，所述装置包括：
第一获取模块401，用于获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；
提取模块402，用于提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；
第一生成模块403，用于根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；
第一发送模块404，用于将所述目标人像发送到所述用户端。
可选的，如图5所示，所述第一生成模块403，包括：
生成单元4031，用于将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径；
匹配单元4032，用于根据所述请求路径，得到与所述目标人像条件相对应的人像生成模型。
可选的，如图6所示，所述目标人像条件包括性别、分辨率以及地区中至少一项人像属性条件，所述人像生成模型对应包括性别、分辨率以及地区中至少一项人像属性信息，所述预先设置的规则为所述人像属性条件的排序规则，所述生成单元4031，包括：
提取子单元40311，用于提取所述人像生成请求中的人像属性条件，并判断所述人像属性条件是否大于一项；
判断子单元40312，用于若所述人像属性条件大于一项，则根据所述排序规则，将所述人像属性条件进行排序，生成对应人像生成模型的请求路径。
可选的，如图7所示，所述装置还包括：
构建模块405，用于构建人像生成网络以及人像判断网络，所述人像生成网络用于生成人像，所述人像判断网络用于判断人像是否为所述人像生成网络生成的人像；
第二获取模块406，用于获取真实人像数据集，所述真实人像数据集作为正样本用于训练所述人像判断网络；
第三获取模块407，用于获取通过所述人像生成网络生成的模拟人像数据集，所述模拟人像数据集作为负样本用于训练所述人像判断网络以及作为正样本用于训练所述人像生成网络；
第一训练模块408，用于基于所述真实人像数据集以及模拟人像数据集单独训练所述人像判断网络，以使所述人像判断网络学习到对真实人像数据以及模拟人像的判断；
第二训练模块409，用于基于所述模拟人像数据集训练所述人像生成网络，以使所述人像生成网络学习到趋于所述真实人像数据集的输出；
处理模块410，用于基于训练好的人像生成网络，得到目标人像生成模型。
可选的，如图8所示，所述第二训练模块409，包括：
第一训练单元4091，用于将第一人像生成网络输出的第一模拟人像数据集输入到第一人像判断网络进行判断，并计算得到误差参数，所述第一人像判断网络基于所述真实人像数据集以及所述第一人像生成网络生成的第一模拟人像数据集进行训练得到；
第二训练单元4092，用于将所述误差参数返回所述第一人像生成网络，并根据所述误差参数更新所述第一人像生成网络中的参数，直到所述人像判断网络返回的参数满足预设值，得到第二人像生成网络，并基于所述真实人像数据集以及所述第二人像生成网络生成的第一模拟人像数据集训练得到第二人像判断网络；
迭代单元4093，用于迭代上述步骤到预设次数，得到最终人像生成网络；
所述处理模块410还用于提取所述最终人像生成网络，得到目标人像生成模型。
可选的，如图9所示，所述装置还包括：
第二生成模块411，用于生成目标图像的统一资源定位信息；
第二发送模块412，用于将所述统一资源定位信息发送到用户端以使用户通过所述统一资源定位信息下载所述目标图像；
所述第一发送模块404还用于响应于包含所述统一资源定位信息的用户端下载请求，将与所述统一资源定位信息相对应的目标人像发送到所述用户端。
需要说明的是，本发明实施例提供的人像生成方法可以应用于需要人像生成的手机、监控器、计算机、服务器等设备。
本发明实施例提供的人像生成装置能够实现上述方法实施例中人像生成方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图10，图10是本发明实施例提供的一种电子设备的结构示意图，如图10所示，包括：存储器1002、处理器1001及存储在所述存储器1002上并可在所述处理器1001上运行的计算机程序，其中：
处理器1001用于调用存储器1002存储的计算机程序，执行如下步骤：
获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；
提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；
根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；
将所述目标人像发送到所述用户端。
可选的，处理器1001执行的所述根据所述目标人像条件，匹配对应的人像生成模型，包括：
将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径；
根据所述请求路径，得到与所述目标人像条件相对应的人像生成模型。
可选的，所述目标人像条件包括性别、分辨率以及地区中至少一项人像属性条件，所述人像生成模型对应包括性别、分辨率以及地区中至少一项人像属性信息，所述预先设置的规则为所述人像属性条件的排序规则，处理器1001执行的所述将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径包括：
提取所述人像生成请求中的人像属性条件，并判断所述人像属性条件是否大于一项；
若所述人像属性条件大于一项，则根据所述排序规则，将所述人像属性条件进行排序，生成对应人像生成模型的请求路径。
可选的，处理器1001还执行所述人像生成模型的训练步骤，包括：
构建人像生成网络以及人像判断网络，所述人像生成网络用于生成人像，所述人像判断网络用于判断人像是否为所述人像生成网络生成的人像；
获取真实人像数据集，所述真实人像数据集作为正样本用于训练所述人像判断网络；
获取通过所述人像生成网络生成的模拟人像数据集，所述模拟人像数据集作为负样本用于训练所述人像判断网络以及作为正样本用于训练所述人像生成网络；
基于所述真实人像数据集以及模拟人像数据集单独训练所述人像判断网络，以使所述人像判断网络学习到对真实人像数据以及模拟人像的判断；
基于所述模拟人像数据集训练所述人像生成网络，以使所述人像生成网络学习到趋于所述真实人像数据集的输出；
基于训练好的人像生成网络，得到目标人像生成模型。
可选的，处理器1001执行的所述基于所述模拟人像数据集训练所述人像生成网络，包括：
将第一人像生成网络输出的第一模拟人像数据集输入到第一人像判断网络进行判断，并计算得到误差参数，所述第一人像判断网络基于所述真实人像数据集以及所述第一人像生成网络生成的第一模拟人像数据集进行训练得到；
将所述误差参数返回所述第一人像生成网络，并根据所述误差参数更新所述第一人像生成网络中的参数，直到所述人像判断网络返回的参数满足预设值，得到第二人像生成网络，并基于所述真实人像数据集以及所述第二人像生成网络生成的第一模拟人像数据集训练得到第二人像判断网络；
迭代上述步骤到预设次数，得到最终人像生成网络；
所述基于训练好的人像生成网络，得到目标人像生成模型，包括：
提取所述最终人像生成网络，得到目标人像生成模型。
可选的，在所述将所述目标人像发送到所述用户端之前，处理器1001还执行包括：
生成所述目标图像的统一资源定位信息；
将所述统一资源定位信息发送到用户端以使用户通过所述统一资源定位信息下载所述目标图像；
所述将所述目标人像发送到所述用户端，包括：
响应于包含所述统一资源定位信息的用户端下载请求，将与所述统一资源定位信息相对应的目标人像发送到所述用户端。
需要说明的是，上述电子设备可以是可以应用于需要进行人像生成的手机、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中人像生成方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的人像生成方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
请参见图11，图11是本发明实施例提供的一种人像生成系统的结构示意图，如图11所示，所述人像生成系统包括：服务器1101以及与所述服务器1101通信连接的用户端1102，其中：
所述服务器1101包括上述实施例中任一所述的人像生成装置；所述用户端1102用于向所述服务器1101发送人像生成请求，并接收所述服务器返回的目标人像。
请参见图12，图12是本发明实施例提供的一种人像生成系统的结构示意图，如图12所示，所述人像生成系统包括：HTTP服务器1201、人像生成服务器1202以及用户端1203，所述人像生成服务器1202以及所述用户端1203分别与所述HTTP服务器1201通信连接的，其中：
所述人像生成服务器1202包括上述实施例中任一所述的人像生成装置；所述用户端1203用于向所述HTTP服务器1201发送人像生成请求，并接收所述HTTP服务器1201返回的目标人像或统一资源定位信息，接收到的是统一资源定位信息时，所述用户端1203可以通过该统一资源定位信息访问所述HTTP服务器1201并下载目标人像。
请参见图13，图13是本发明实施例提供的一种人像生成系统的结构示意图，如图13所示，所述人像生成系统包括：HTTP服务器1301、人像生成服务器1302、第一用户端1303以及第二用户端1304，所述人像生成服务器1302、所述第一用户端1303以及所述第二用户端1304分别与所述HTTP服务器1301通信连接的，其中：
所述人像生成服务器1302包括上述实施例中任一所述的人像生成装置；所述第一用户端1303用于向所述HTTP服务器1301发送人像生成请求，所述第二用户端1304用于接收所述HTTP服务器1301返回的目标人像或统一资源定位信息，接收到的是统一资源定位信息时，所述第二用户端1304可以通过该统一资源定位信息访问所述HTTP服务器1301并下载目标人像。
上述的图11、12、图13中任意发明实施例提供的人像生成系统均能够实现上述方法实施例中人像生成方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
需要说明的是，上述的用户端可以是手机、计算机、平板电脑、笔记本电脑或移动办公助手等电子设备，上述的服务器可以是本地服务器或云服务器。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种人像生成方法，其特征在于，包括以下步骤：
获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；
提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；
根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；
将所述目标人像发送到所述用户端。
2.如权利要求1所述的方法，其特征在于，所述根据所述目标人像条件，匹配对应的人像生成模型，包括：
将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径；
根据所述请求路径，得到与所述目标人像条件相对应的人像生成模型。
3.如权利要求2所述的方法，其特征在于，所述目标人像条件包括性别、分辨率以及地区中至少一项人像属性条件，所述人像生成模型对应包括性别、分辨率以及地区中至少一项人像属性信息，所述预先设置的规则为所述人像属性条件的排序规则，所述将所述目标人像条件按预先设置的规则生成对应人像生成模型的请求路径包括：
提取所述人像生成请求中的人像属性条件，并判断所述人像属性条件是否大于一项；
若所述人像属性条件大于一项，则根据所述排序规则，将所述人像属性条件进行排序，生成对应人像生成模型的请求路径。
4.如权利要求1所述的方法，其特征在于，所述人像生成模型的训练步骤，包括：
构建人像生成网络以及人像判断网络，所述人像生成网络用于生成人像，所述人像判断网络用于判断人像是否为所述人像生成网络生成的人像；
获取真实人像数据集，所述真实人像数据集作为正样本用于训练所述人像判断网络；
获取通过所述人像生成网络生成的模拟人像数据集，所述模拟人像数据集作为负样本用于训练所述人像判断网络以及作为正样本用于训练所述人像生成网络；
基于所述真实人像数据集以及模拟人像数据集单独训练所述人像判断网络，以使所述人像判断网络学习到对真实人像数据以及模拟人像的判断；
基于所述模拟人像数据集训练所述人像生成网络，以使所述人像生成网络学习到趋于所述真实人像数据集的输出；
基于训练好的人像生成网络，得到目标人像生成模型。
5.如权利要求4所述的方法，其特征在于，所述基于所述模拟人像数据集训练所述人像生成网络，包括：
将第一人像生成网络输出的第一模拟人像数据集输入到第一人像判断网络进行判断，并计算得到误差参数，所述第一人像判断网络基于所述真实人像数据集以及所述第一人像生成网络生成的第一模拟人像数据集进行训练得到；
将所述误差参数返回所述第一人像生成网络，并根据所述误差参数更新所述第一人像生成网络中的参数，直到所述人像判断网络返回的参数满足预设值，得到第二人像生成网络，并基于所述真实人像数据集以及所述第二人像生成网络生成的第一模拟人像数据集训练得到第二人像判断网络；
迭代上述步骤到预设次数，得到最终人像生成网络；
所述基于训练好的人像生成网络，得到目标人像生成模型，包括：
提取所述最终人像生成网络，得到目标人像生成模型。
6.如权利要求1至5中任一项所述的方法，其特征在于，在所述将所述目标人像发送到所述用户端之前，所述方法还包括：
生成所述目标人像的统一资源定位信息；
将所述统一资源定位信息发送到用户端以使用户通过所述统一资源定位信息下载所述目标人像；
所述将所述目标人像发送到所述用户端，包括：
响应于包含所述统一资源定位信息的用户端下载请求，将与所述统一资源定位信息相对应的目标人像发送到所述用户端。
7.一种人像生成装置，其特征在于，所述装置包括：
获取模块，用于获取用户端的人像生成请求，所述人像生成请求包括目标人像条件以及随机数种子；
提取模块，用于提取所述人像生成请求中的随机数种子，并将所述随机数种子输入到随机数生成器中，以使所述随机数生成器根据所述随机数种子产生对应的随机噪声；
生成模块，用于根据所述目标人像条件，匹配对应的人像生成模型，将所述随机噪声输入到所述对应的人像生成模型中生成得到目标人像，所述人像生成模型为预先训练好的人像生成模型；
发送模块，用于将所述目标人像发送到所述用户端。
8.一种人像生成系统，其特征在于，所述系统包括：
服务器，所述服务器包括如权利要求7所述的人像生成装置；
用户端，所述用户端用于向所述服务器发送人像生成请求，并接收所述服务器返回的目标人像。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的人像生成方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的人像生成方法中的步骤。
CN201911379844.0A 2019-12-27 2019-12-27 人像生成方法、装置、系统、电子设备及存储介质 Active CN111046975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911379844.0A CN111046975B (zh) 2019-12-27 2019-12-27 人像生成方法、装置、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911379844.0A CN111046975B (zh) 2019-12-27 2019-12-27 人像生成方法、装置、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111046975A CN111046975A (zh) 2020-04-21
CN111046975B true CN111046975B (zh) 2023-05-12

Family

ID=70239438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911379844.0A Active CN111046975B (zh) 2019-12-27 2019-12-27 人像生成方法、装置、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111046975B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845072A (zh) * 2017-10-13 2018-03-27 深圳市迅雷网络技术有限公司 图像生成方法、装置、存储介质及终端设备
CN109871888A (zh) * 2019-01-30 2019-06-11 中国地质大学（武汉） 一种基于胶囊网络的图像生成方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609481B (zh) * 2017-08-14 2020-11-20 百度在线网络技术（北京）有限公司 为人脸识别生成训练数据的方法、装置和计算机存储介质
CN108197525B (zh) * 2017-11-20 2020-08-11 中国科学院自动化研究所 人脸图像生成方法及装置
CN108596141B (zh) * 2018-05-08 2022-05-17 深圳大学 一种深度网络生成人脸图像的检测方法及系统
CN109584337B (zh) * 2018-11-09 2022-03-29 暨南大学 一种基于条件胶囊生成对抗网络的图像生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845072A (zh) * 2017-10-13 2018-03-27 深圳市迅雷网络技术有限公司 图像生成方法、装置、存储介质及终端设备
CN109871888A (zh) * 2019-01-30 2019-06-11 中国地质大学（武汉） 一种基于胶囊网络的图像生成方法及系统

Also Published As

Publication number Publication date
CN111046975A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
US10192163B2 (en) Audio processing method and apparatus based on artificial intelligence
US11163991B2 (en) Method and apparatus for detecting body
CN107766940B (zh) 用于生成模型的方法和装置
CN108898186B (zh) 用于提取图像的方法和装置
US10853623B2 (en) Method and apparatus for generating information
US20190080148A1 (en) Method and apparatus for generating image
CN109460513A (zh) 用于生成点击率预测模型的方法和装置
CN105279146B (zh) 针对短不相关文本的检测的上下文感知方法
CN102843511B (zh) 图像处理支持系统、信息处理设备和图像处理支持方法
CN108197652B (zh) 用于生成信息的方法和装置
CN105608179B (zh) 确定用户标识的关联性的方法和装置
EP3889912A1 (en) Method and apparatus for generating video
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN108595628A (zh) 用于推送信息的方法和装置
CN109410253B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN109299477A (zh) 用于生成文本标题的方法和装置
CN111125574A (zh) 用于生成信息的方法和装置
CN107609055B (zh) 基于深层主题模型的文本图像多模态检索方法
CN109495552A (zh) 用于更新点击率预测模型的方法和装置
CN110046571B (zh) 用于识别年龄的方法和装置
CN109255767A (zh) 图像处理方法和装置
CN107609487B (zh) 一种用户头像的生成方法和装置
CN108921138B (zh) 用于生成信息的方法和装置
CN108230220A (zh) 水印添加方法和装置
CN111046975B (zh) 人像生成方法、装置、系统、电子设备及存储介质

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