CN111524208A - 海报排布模型的训练方法、海报生成方法及装置 - Google Patents

海报排布模型的训练方法、海报生成方法及装置 Download PDF

Info

Publication number
CN111524208A
CN111524208A CN202010334469.4A CN202010334469A CN111524208A CN 111524208 A CN111524208 A CN 111524208A CN 202010334469 A CN202010334469 A CN 202010334469A CN 111524208 A CN111524208 A CN 111524208A
Authority
CN
China
Prior art keywords
poster
arrangement
model
training
result
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.)
Withdrawn
Application number
CN202010334469.4A
Other languages
English (en)
Inventor
张超
胡浩
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.)
Guangdong Bozhilin Robot Co Ltd
Original Assignee
Guangdong Bozhilin Robot 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 Guangdong Bozhilin Robot Co Ltd filed Critical Guangdong Bozhilin Robot Co Ltd
Priority to CN202010334469.4A priority Critical patent/CN111524208A/zh
Publication of CN111524208A publication Critical patent/CN111524208A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了海报排布模型的训练方法、海报生成方法及装置。其中海报排布模型的训练方法包括：建立海报排布训练模型，基于如下步骤对所述海报排布训练模型进行迭代训练，直到满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型：对海报样本进行预处理，得到所述海报样本中各元素的参数；将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果；基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。提高的海报排布方式的灵活性，方便快捷，效率高。

Description

海报排布模型的训练方法、海报生成方法及装置
技术领域
本发明实施例涉及深度学习技术，尤其涉及海报排布模型的训练方法、海报生成方法及装置。
背景技术
海报是广告宣传的重要方式之一，随着互联网时代的到来，企业和产品的宣传变得更加便捷，但与此同时，企业之间的竞争也愈演愈烈。
一款优秀的海报能够有效的提升宣传效率，提高产品的知名度。海报设计过程中元素的排布是一项重要的工作，但海报元素的数量通常难以进行统一，元素数量不统一的情况下难以使用单一的算法进行元素的排布。
发明内容
本发明提供海报排布模型的训练方法、海报生成方法及装置，以实现提高海报排布模型的适应性。
第一方面，本发明实施例提供了一种海报排布模型的训练方法，包括：
基于如下步骤对待训练的海报排布训练模型进行迭代训练，其中，所述海报排布训练模型中包括海报生成模块，当所述海报排布训练模型满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型：
对海报样本进行预处理，得到所述海报样本中各元素的参数；
将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果；
基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。
第二方面，本发明实施例还提供了、一种海报生成方法，包括：
根据目标海报中元素数量生成至少一个随机数组；
将所述随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，其中，所述海报排布模型根据如本实施例提供的海报排布模型训练方法得到；
将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。
第三方面，本发明实施例还提供了一种海报排布模型的训练装置，包括：
海报排布训练模型建立模块，用于建立海报排布训练模型，其中，所述海报排布训练模型中包括海报生成模块；
海报排布训练模型训练模块，用于基于如下步骤对所述海报排布训练模型进行迭代训练，直到满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型：
对海报样本进行预处理，得到所述海报样本中各元素的参数；
将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果；
基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。
第四方面，本发明实施例还提供了一种海报生成装置，包括：
随机数组生成模块，用于根据目标海报中元素数量生成至少一个随机数组；
海报排布模板生成模块，用于将所述随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，其中，所述海报排布模型根据如本实施例提供的海报排布模型训练方法得到；
目标海报生成模块，用于将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。
第五方面，本发明实施例还提供了一种电子设备，所述设备包括：
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，使得所述一个或多个处理器实现如本发明任一实施例提供的海报排布模型的训练方法，或者如本发明任一实施例提供的海报生成方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例提供的海报排布模型的训练方法，或者如本发明任一实施例提供的海报生成方法。
本发明实施例提供的技术方案，通过预处理海报样本，得到海报样本中各元素的参数，将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果，基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。当海报排布训练模型训练完成后，将海报排布训练模型中的海报生成模块确定为海报排布模型，该海报排布模型可生成任意元素数量的海报，且输入信息为布局信息，即可得到符合该分布信息的海报排布方式，提高的海报排布方式的灵活性，方便快捷，效率高。
附图说明
图1为本发明实施例一提供的一种海报排布模型的训练方法的流程流程图；
图2是本发明实施例一提供的一种海报排布训练模型的结构示意图；
图3为本发明实施例一提供的网络块的结构示意图；
图4是本发明实施例一提供的元素空间关系的示例图；
图5是本发明实施例二提供的一种海报生成方法的流程示意图；
图6是本发明实施例二提供的一种海报模板的示意图；
图7是本发明实施例二提供的一种目标海报的示例图；
图8是本发明实施例三提供的一种海报排布模型的训练装置的结构示意图；
图9是本发明实施例四提供的一种海报生成装置的结构示意图；
图10为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种海报排布模型的训练方法的流程图，本实施例可适用于对海报排布训练模型进行训练，以得到海报排布模型的情况，该方法可以由本发明实施例提供的海报排布模型的训练装置来执行，该装置可采用软件和/或硬件的方式实现。具体包括如下步骤：
S110、建立海报排布训练模型，其中，所述海报排布训练模型中包括海报生成模块。
S120、对海报样本进行预处理，得到所述海报样本中各元素的参数。
S130、将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果。
S140、基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。
循环执行上述步骤对所述海报排布训练模型进行迭代训练，直到满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型。
示例性的，参见图2，图2是本发明实施例一提供的一种海报排布训练模型的结构示意图，其中，海报排布训练模型为递归神经网络，包括特征提取模块、重采样模块和海报生成模块，且特征提取模块、重采样模块和海报生成模块依次连接。其中，特征提取模块包括第一数量的第一网络块，用于对输入的海报样本进行特征提取，所述海报生成模块包括第二数量的第二网络块，第一数量和第二数量可以相同，均为n，n为大于1的正整数，根据用户需求确定，示例性的，n可以是100，重采样模块用于对所述特征提取模块的输出结果进行重采样处理，并将重采样结果输入至所述海报生成模块，海报生成模块中包括的第二数量的第二网络块，用于基于所述重采样结果生成所述预测排布结果。
示例性的参见图3，图3为本发明实施例一提供的网络块的结构示意图，其中，图3中左图为特征提取模块中的第一网络块，图3中右图为海报生成模块中的第二网络块。在特征提取模块中，每一个第一网络块接收当前元素和上一第一网络块输出的上一元素的处理结果，通过中间层对当前元素和上一第一网络块输出的上一元素的处理结果进行处理，输出处理结果，并输出至下一第一网络块。其中，中间层可以是全连接层，中间层神经元数量可以是64。在海报生成模块中，当前第二网络块基于上一第二网络块的输出结果，经过中间层处理输出当前元素，并经处理结果作为下一元素的特征信息输入至下一第二网络块。
重采样模块包括当前分布提取单元和重采样单元，其中，所述当前分布提取单元，用于基于所述特征提取模块的输出结果确定当前布局信息，当前分布提取单元包括方差处理和均值处理，分别用于获取特征提取模块的输出结果的方差和均值，以得到当前布局信息N(μ,σ)。重采样单元对所述当前布局信息加入高斯噪声重采样，得到重采样结果，其中，高斯噪声的布局分布为N(0,1)，重采样为包括多个数据的数组，数据中数据的数量与海报样本中元素数量相同。
本实施例中，在建立海报排布训练模型之后，通过海报样本对海报排布训练模型进行迭代训练，以使海报排布训练模型学习海报样本的布局，达到具有生成同样布局的海报的功能。其中，海报样本可以是包括不同元素数量的还包括，其中，海报样本中元素数量小于或等于海报排布训练模型中特征提取模块中第一网络块的数量。通过不同元素数量的海报样本对海报排布训练模型进行训练，以学习不同元素数量的海报的排布方式，使得最终训练得到的海报排布模型具有生成不同元素数量的海报的功能。
在基于海报样本对海报排布训练模型训练之前，还包括对海报样本进行预处理，其中，预处理包括识别海报样本中的各元素，确定各元素的元素类型、元素位置、元素尺寸和各元素的空间关系，具体的，可以对识别出的各元素基于预设顺序进行编码，得到相邻编码元素之间的空间关系。相应的，所述元素的参数包括元素编码、元素类型、元素位置、元素尺寸和各元素的空间关系中的至少一项。
可选的，元素类型包括图像元素和文本元素，可以是one-hot编码的方式表示元素类型，例如图像元素可以是[0,1]，文本元素可以是[1,0]。可以是基于[x,y,w,h]表示元素位置和元素尺寸，其中，x和y为元素在海报样本中的坐标，元素坐标可以是元素中心点的坐标，或者元素特定点的坐标，例如元素左上角的坐标。w为元素的宽带，h为元素的高度。
可选的，元素之间的空间关系可以是一个元素相对于另一个元素的相对位置关系，示例性的，确定基准元素，基于预设顺序依次确定下一元素与上一元素的空间关系，其中，空间关系可以是包括‘左’、‘右’、‘下’、‘上’、‘左下’‘右下’、‘左上’和‘左上’。在一些实施例中，可以将海报样本中左上角的元素确定为基准元素，基于由上至下，由左至右的顺序对海报样本中的各元素进行编码，得到元素1、元素2…元素n，再确定元素2相对于元素1的空间关系，元素n相对于元素n-1的空间关系。示例性的，参见图4，图4是本发明实施例一提供的元素空间关系的示例图。
本实施例中，海报排布训练模型的输入信息包括元素类型、元素位置、元素尺寸，可以是将上述输入信息形成一维矩阵。参见图2，图2中，将元素1和元素2的输入矩阵输入至第一个第一网络块，元素3的输入矩阵输入至第二个第一网络块，并依次类推。相应的，在海报生成模块中，第一个第二网络块输出元素n的预测空间关系以及预测元素n，第二个第二网络块输出元素n-1的预测空间关系以及预测元素n-1，并以此类推，生成新的海报。
本实施例中，所述预测排布结果包括预测元素、所述预测元素的空间关系，其中，预测元素中可以与元素编码相对应。根据预测排布结果和海报样本确定损失函数，基于损失函数对海报排布训练模型进行参数调节。可选的，所述损失函数包括元素损失、空间关系损失和采样分布损失。
其中，元素损失根据所述海报样本中各元素与所述预测排布结果中对应元素编码的预测元素的差异确定，示例性的，可以是基于如下公式确定：
Figure BDA0002466097830000081
其中，n为元素数量，xi为图2中的特征提取模块中的输入元素，xi′为海报生成模块中生成的预测元素，xi和xi′可以是元素编码相对应的输入元素和预测元素。
空间关系损失根据所述预测排布结果中各元素的空间关系与所述海报样本中各元素的空间关系确定，示例性的，可以是基于如下公式确定：
Figure BDA0002466097830000091
其中，n为元素数量，共存在n-1种元素之间的空间关系，y为海报样本中元素之间的空间关系，y′为预测排布结果中元素之间的空间关系。
采样分布损失根据所述海报排布训练模型在当前迭代中确定的分布信息和预设分布信息确定，示例性的，可以是基于如下公式确定：
LKL＝DKL(N(μ,σ),N(0,1))
其中，N(μ,σ)为海报排布训练模型识别的当前布局信息，基于KL散度逼近N(0,1)。
相应的，当前迭代中，预测排布结果和海报样本的损失函数为：
Loss＝Le+Ls+LKL
基于上述损失函数对海报排布训练模型进行反向训练，得到当前迭代的海报排布训练模型，其中，基于所述损失函数对所述待训练的海报排布模型进行参数调节可以是将损失函数反向输入至海报排布训练模型中，通过梯度下降法调节海报排布训练模型中的网络参数，其中，网络参数可以是包括但不限于权重。
当海报排布训练模型总损失不稳定，海报排布训练模型不收敛，基于海报样本通过上述训练步骤对海报排布训练模型继续进行迭代训练，当海报排布训练模型总损失达到稳定，海报排布训练模型趋于收敛时，海报排布训练模型训练完成。
本实施例中，将海报排布训练模型中的海报生成模块确定为用于生成海报的海报排布模型。由于海报排布模型的输入信息为重采样处理得到的重采样信息，即分布信息，因此只要输入分布信息至海报排布模型中，即可得到符合该分布信息的海报排布方式，相应的通过调节分布信息，可快速得到大量的海报排布方式，方便快捷，效率高。
本实施例的技术方案，通过预处理海报样本，得到海报样本中各元素的参数，将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果，基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。当海报排布训练模型训练完成后，将海报排布训练模型中的海报生成模块确定为海报排布模型，该海报排布模型可生成任意元素数量的海报，且输入信息为布局信息，即可得到符合该分布信息的海报排布方式，提高的海报排布方式的灵活性，方便快捷，效率高。
实施例二
图5是本发明实施例二提供的一种海报生成方法的流程示意图，适用于基于上述实施例训练得到的海报排布模型快速生成目标海报的情况，该方法包括：
S210、根据目标海报中元素数量生成至少一个随机数组。
S220、将所述随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，其中，所述海报排布模型根据上述实施例提供的海报排布模型训练方法得到。
S230、将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。
本实施例中，可以是预先得到目标海报的待添加元素，进一步可知目标海报中元素数量。海报排布模型的输入信息为布局信息，为了快速得到大量满足海报排布方式，可随机生成多个布局信息，即随机数组，其中，随机数组中各数据的数据范围根据在所述海报排布模型训练重采样过程中应用的分布范围确定。示例性的，目标海报中元素数量为n，则生成n个随机数，形成随机数组。在本实施例中，海报排布模型训练的采样过程应用的分布信息为N(0,1)，即随机数的分布范围为(0,1)，即生成的每一个随机数为大于0且小于1的数字，例如0.1、0.05、0.5等。
将随机数字输入至预先训练的海报排布模型中，可得到随机数字对应的海报排布方式，即海报模板。示例性的参见图6，图6是本发明实施例二提供的一种海报模板的示意图。海报排布模板中包括各元素的插入框，即图6中的矩形框，插入框中携带属性信息，其中属性信息包括可添加元素的类型、尺寸和位置。
将目标海报的待添加元素分别添加至海报模板中，可得到一个目标海报。可选的，将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报，包括：基于所述目标海报中各元素的属性，将目标海报中各元素与所述海报排布模板中各插入框进行匹配；根据匹配结果将所述目标海报中各元素添加至对应的插入框中。示例性的，当目标海报中待添加元素为图像元素时，确定属性信息中元素类型为图像的插入框，根据目标海报中待添加元素的尺寸确定尺寸相匹配的插入框，当尺寸相匹配的插入框数量为1时，将该待添加元素插入至该插入框中，当尺寸相匹配的插入框数量大于1时，可随机确定插入框或者根据分析图像内容确定插入框。示例性的，参见图7，图7是本发明实施例二提供的一种目标海报的示例图。
本实施例中，对于目标海报，可生成预设数量的随机数组，例如可以是100个随机数组，相应的，可快速生成100个目标海报。其中，生成的目标海报均满足预先设置的布局信息，效率高，速度快，为用户提供大量的海报排布方式，扩大了可选范围，省略了人为设计过程。
在上述实施例的基础上，基于预设评价标准对生成的至少一个目标海报进行评价，筛选满足所述预设评价标准的目标海报。
其中，预设评价标准可以是包括但不限于判断目标海报中各元素是否重叠、是否超出插入框，是否存在空白插入框、标题是否处于预设插入框中等。示例性的，可以是基于预设评价标准对生成每一个目标海报进行评分或确定质量等级，根据评分或质量等级确定筛选满足所述预设评价标准的目标海报。
本实施例提供的技术方案，通过目标海报中元素数量生成至少一个随机数组，并将随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。通过快速生成随机数组的方式，得到与随机数组对应的大量目标海报，操作简单，效率高，为用户提供了大量满足多种多样的海报进行选择，提高了海报排布的人为设计过程。
实施例三
图8是本发明实施例三提供的一种海报排布模型的训练装置的结构示意图，该装置包括：
海报排布训练模型建立模块310，用于建立海报排布训练模型，其中，所述海报排布训练模型中包括海报生成模块；
海报排布训练模型训练模块320，用于基于如下步骤对所述海报排布训练模型进行迭代训练，直到满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型：
对海报样本进行预处理，得到所述海报样本中各元素的参数；
将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果；
基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。
可选的，海报排布训练模型为梯度网络模块，所述海报排布训练模型中还包括特征提取模块和重采样模块，所述特征提取模块、所述重采样模块和所述海报生成模块依次连接；
所述特征提取模块包括第一数量的第一网络块，用于对输入的海报样本进行特征提取；
所述重采样模块用于对所述特征提取模块的输出结果进行重采样处理，并将重采样结果输入至所述海报生成模块；
所述海报生成模块中包括第二数量的第二网络块，用于基于所述重采样结果生成所述预测排布结果。
可选的，所述重采样模块包括当前分布提取单元和重采样单元，其中，所述当前分布提取单元用于基于所述特征提取模块的输出结果确定当前布局信息，所述重采样单元对所述当前布局信息加入高斯噪声重采样，得到重采样结果。
所述元素的参数包括元素编码、元素类型、元素位置、元素尺寸和各元素的空间关系中的至少一项。
可选的，所述损失函数包括元素损失、空间关系损失和采样分布损失。
可选的，所述预测排布结果包括预测元素、所述预测元素的空间关系；
所述元素损失根据所述海报样本中各元素与所述预测排布结果中预测元素的差异确定；
所述空间关系损失根据所述预测排布结果中各元素的空间关系与所述海报样本中各元素的空间关系确定；
所述采样分布损失根据所述海报排布训练模型在当前迭代中确定的分布信息和预设分布信息确定。
上述海报排布模型的训练装置可执行本发明任意实施例所提供的海报排布模型的训练方法，具备执行海报排布模型的训练方法相应的功能模块和有益效果。
实施例四
图9是本发明实施例四提供的一种海报生成装置的结构示意图，该装置包括：
随机数组生成模块410，用于根据目标海报中元素数量生成至少一个随机数组；
海报排布模板生成模块420，用于将所述随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，其中，所述海报排布模型根据如本发明实施例提供的海报排布模型训练方法得到；
目标海报生成模块430，用于将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。
可选的，随机数组中各数据的数据范围根据在所述海报排布模型训练的重采样过程中应用的分布范围确定。
可选的，所述海报排布模板中包括各元素的插入框，所述插入框中携带有可添加元素的类型、尺寸和位置。
可选的，目标海报生成模块430用于：
基于所述目标海报中各元素的属性，将所述目标海报中各元素与所述海报排布模板中各插入框进行匹配；
根据匹配结果将所述目标海报中各元素添加至对应的插入框中。
可选的，该装置还包括：
海报筛选模块，用于基于预设评价标准对生成的至少一个目标海报进行评价，筛选满足所述预设评价标准的目标海报。
上述海报生成装置可执行本发明任意实施例所提供的海报生成方法，具备执行海报生成方法相应的功能模块和有益效果。
实施例五
图10为本发明实施例五提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施方式的电子设备412的框图。图10显示的电子设备412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。设备412典型的是承担图像分类功能的电子设备。
如图10所示，电子设备412以通用计算设备的形式表现。电子设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块426的程序436，可以存储在例如存储装置428中，这样的程序模块426包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块426通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的设备通信，和/或与使得该电子设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述本发明任一实施例提供的海报排布模型的训练方法，或者如本发明任一实施例提供的海报生成方法
实施例六
本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任一实施例提供的海报排布模型的训练方法，或者如本发明任一实施例提供的海报生成方法。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明本发明任一实施例提供的海报排布模型的训练方法，或者如本发明任一实施例提供的海报生成方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
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源代码。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源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发明操作的计算机源代码，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。源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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (15)

1.一种海报排布模型的训练方法，其特征在于，包括：
建立海报排布训练模型，其中，所述海报排布训练模型中包括海报生成模块；
基于如下步骤对所述海报排布训练模型进行迭代训练，直到满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型：
对海报样本进行预处理，得到所述海报样本中各元素的参数；
将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果；
基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。
2.根据权利要求1所述的方法，其特征在于，海报排布训练模型为梯度网络模块，所述海报排布训练模型中还包括特征提取模块和重采样模块，所述特征提取模块、所述重采样模块和所述海报生成模块依次连接；
所述特征提取模块包括第一数量的第一网络块，用于对输入的海报样本进行特征提取；
所述重采样模块用于对所述特征提取模块的输出结果进行重采样处理，并将重采样结果输入至所述海报生成模块；
所述海报生成模块中包括第二数量的第二网络块，用于基于所述重采样结果生成所述预测排布结果。
3.根据权利要求2所述的方法，其特征在于，所述重采样模块包括当前分布提取单元和重采样单元，其中，所述当前分布提取单元用于基于所述特征提取模块的输出结果确定当前布局信息，所述重采样单元对所述当前布局信息加入高斯噪声重采样，得到重采样结果。
4.根据权利要求1所述的方法，其特征在于，所述元素的参数包括元素编码、元素类型、元素位置、元素尺寸和各元素的空间关系中的至少一项。
5.根据权利要求1所述的方法，其特征在于，所述损失函数包括元素损失、空间关系损失和采样分布损失。
6.根据权利要求5所述的方法，其特征在于，所述预测排布结果包括预测元素和所述预测元素的空间关系；
所述元素损失根据所述海报样本中各元素与所述预测排布结果中预测元素的差异确定；
所述空间关系损失根据所述预测排布结果中各元素的空间关系与所述海报样本中各元素的空间关系确定；
所述采样分布损失根据所述海报排布训练模型在当前迭代中确定的分布信息和预设分布信息确定。
7.一种海报生成方法，其特征在于，包括：
根据目标海报中元素数量生成至少一个随机数组；
将所述随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，其中，所述海报排布模型根据如权利要求1-9所述的海报排布模型训练方法得到；
将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。
8.根据权利要求7所述的方法，其特征在于，所述随机数组中各数据的数据范围根据在所述海报排布模型训练的重采样过程中应用的分布范围确定。
9.根据权利要求7所述的方法，其特征在于，所述海报排布模板包括各元素的插入框，所述插入框中携带有可添加元素的类型、尺寸和位置。
10.根据权利要求9所述的方法，其特征在于，所述将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报，包括：
基于所述目标海报中各元素的属性，将所述目标海报中各元素与所述海报排布模板中各插入框进行匹配；
根据匹配结果将所述目标海报中各元素添加至对应的插入框中。
11.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于预设评价标准对生成的至少一个目标海报进行评价，筛选满足所述预设评价标准的目标海报。
12.一种海报排布模型的训练装置，其特征在于，包括：
海报排布训练模型建立模块，用于建立海报排布训练模型，其中，所述海报排布训练模型中包括海报生成模块；
海报排布训练模型训练模块，用于基于如下步骤对所述海报排布训练模型进行迭代训练，直到满足预设训练结果，将训练完成的海报排布训练模型中的海报生成模块确定为训练好的海报排布模型：
对海报样本进行预处理，得到所述海报样本中各元素的参数；
将所述海报样本的至少一个元素的参数依次输入至预先建立的海报排布训练模型中，得到各元素的预测排布结果；
基于所述海报样本的原始排布和所述排布结果确定损失函数，基于所述损失函数对所述待训练的海报排布模型进行参数调节，得到当前迭代的海报排布训练模型。
13.一种海报生成装置，其特征在于，包括：
随机数组生成模块，用于根据目标海报中元素数量生成至少一个随机数组；
海报排布模板生成模块，用于将所述随机数组输入至预先训练的海报排布模型中，生成至少一个海报排布模板，其中，所述海报排布模型根据如权利要求1-9所述的海报排布模型训练方法得到；
目标海报生成模块，用于将目标海报中的元素添加至所述至少一个海报排布模板中，生成至少一个目标海报。
14.一种电子设备，其特征在于，所述设备包括：
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，使得所述一个或多个处理器实现如权利要求1-6中任一所述的海报排布模型的训练方法，或者如权利要求7-11任一所述的海报生成方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的海报排布模型的训练方法，或者如权利要求7-11任一所述的海报生成方法。
CN202010334469.4A 2020-04-24 2020-04-24 海报排布模型的训练方法、海报生成方法及装置 Withdrawn CN111524208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010334469.4A CN111524208A (zh) 2020-04-24 2020-04-24 海报排布模型的训练方法、海报生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010334469.4A CN111524208A (zh) 2020-04-24 2020-04-24 海报排布模型的训练方法、海报生成方法及装置

Publications (1)

Publication Number Publication Date
CN111524208A true CN111524208A (zh) 2020-08-11

Family

ID=71904521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010334469.4A Withdrawn CN111524208A (zh) 2020-04-24 2020-04-24 海报排布模型的训练方法、海报生成方法及装置

Country Status (1)

Country Link
CN (1) CN111524208A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015515674A (ja) * 2012-03-15 2015-05-28 セプト システムズ ゲゼルシャフト ミット ベシュレンクテル ハフツングＣＥＰＴ Ｓｙｓｔｅｍｓ ＧｍｂＨ テキストの意味的処理のための方法、装置および製品
CN109783793A (zh) * 2018-12-13 2019-05-21 方正璞华软件（武汉）股份有限公司 页面编辑排版方法及装置
CN110633553A (zh) * 2019-10-09 2019-12-31 郑豪 一种住宅户型平面图自动生成方法和系统
CN110706314A (zh) * 2019-09-30 2020-01-17 广东博智林机器人有限公司 元素布局方法、装置、电子设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015515674A (ja) * 2012-03-15 2015-05-28 セプト システムズ ゲゼルシャフト ミット ベシュレンクテル ハフツングＣＥＰＴ Ｓｙｓｔｅｍｓ ＧｍｂＨ テキストの意味的処理のための方法、装置および製品
CN109783793A (zh) * 2018-12-13 2019-05-21 方正璞华软件（武汉）股份有限公司 页面编辑排版方法及装置
CN110706314A (zh) * 2019-09-30 2020-01-17 广东博智林机器人有限公司 元素布局方法、装置、电子设备及可读存储介质
CN110633553A (zh) * 2019-10-09 2019-12-31 郑豪 一种住宅户型平面图自动生成方法和系统

Similar Documents

Publication Publication Date Title
CN112633419B (zh) 小样本学习方法、装置、电子设备和存储介质
CN110232340B (zh) 建立视频分类模型以及视频分类的方法、装置
CN112215171B (zh) 目标检测方法、装置、设备及计算机可读存储介质
CN110942011B (zh) 一种视频事件识别方法、系统、电子设备及介质
CN108062377A (zh) 标签图片集的建立、标签的确定方法、装置、设备及介质
CN114596566B (zh) 文本识别方法及相关装置
CN111680678A (zh) 目标区域识别方法、装置、设备及可读存储介质
CN110674349A (zh) 视频poi识别方法、装置及电子设备
CN110909768A (zh) 一种标注数据获取方法及装置
CN111401309A (zh) 基于小波变换的cnn训练和遥感图像目标识别方法
CN110781849A (zh) 一种图像处理方法、装置、设备及存储介质
CN111460224B (zh) 评论数据的质量标注方法、装置、设备及存储介质
CN111062388B (zh) 基于深度学习的广告文字的识别方法、系统、介质及设备
CN115221452B (zh) 基于可视化配置的门户构建方法、系统、电子设备及介质
CN116756281A (zh) 知识问答方法、装置、设备和介质
CN111524208A (zh) 海报排布模型的训练方法、海报生成方法及装置
CN115564578B (zh) 欺诈识别模型生成方法
CN112287144B (zh) 图片检索方法、设备及存储介质
CN112801960B (zh) 图像处理方法及装置、存储介质、电子设备
CN111291758B (zh) 用于识别印章文字的方法和装置
CN110852102B (zh) 一种中文的词性标注方法、装置、存储介质及电子设备
CN114708467B (zh) 基于知识蒸馏的不良场景识别方法及系统及设备
CN116168398B (zh) 基于图像识别的试卷审批方法、装置和设备
CN115294227A (zh) 一种多媒体界面生成方法、装置、设备及介质
CN116958030A (zh) 图像检测识别方法、装置、设备、存储介质及程序产品

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200811

WW01 Invention patent application withdrawn after publication