CN111667014A - 训练方法、图像编辑方法、装置及电子设备 - Google Patents
训练方法、图像编辑方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111667014A CN111667014A CN202010528653.2A CN202010528653A CN111667014A CN 111667014 A CN111667014 A CN 111667014A CN 202010528653 A CN202010528653 A CN 202010528653A CN 111667014 A CN111667014 A CN 111667014A
- Authority
- CN
- China
- Prior art keywords
- image
- machine learning
- image information
- learning model
- identification pattern
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的训练方法、图像编辑方法、装置及电子设备。在该训练方法中,由于用于训练的第二样本图像获取自隐藏了特定图像信息的第一样本图像,因此,第二样本图像与第一样本图像之间的区别仅在于该标识图案的位置处。该电子设备将第一样本图像作为机器学习模型训练过程中的参考目标,训练该机器学习模型根据该标识图案之外的图像信息在标识图案的位置生成特定图像信息的过程中,使得生成的特定图像信息能够与标识图案之外的图像信息的风格保持一致,进而能够减少图像失真。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种训练方法、图像编辑方法、装置及电子设备。
背景技术
由于卷积神经网络之类的机器学习模型,在进行图像处理过程时,能够降低数据处理过程中的计算量,因此,卷积神经网络之类的机器学习模型经常用于进行图像识别处理。目前,在通过卷积神经网络之类的机器学习模型在对图像中的目标局部区域进行编辑时,该机器学习模型对目标局部区域之外的图像内容可能会产生或多或少的影响,继而会导致图片内容失真的情况。
发明内容
为了克服现有技术中的至少一个不足,本申请的目的之一在于提供一种训练方法,应用于电子设备,所述电子设备中配置有未训练好的机器学习模型,所述方法包括:
获取显示有特定图像信息的第一样本图像,以及将所述特定图像信息隐藏后的第二样本图像,其中,所述第二样本图像中,隐藏所述特定图像信息的位置标记有标识图案;
在所述机器学习模型训练过程中,将所述第一样本图像作为所述机器学习模型的参考目标,训练所述机器学习模型对所述标识图案的位置进行编辑,使得训练好的机器学习模型能够在所述标识图案的位置生成所述特定图像信息。
可选地,所述将所述第一样本图像作为所述机器学习模型的参考目标,训练所述机器学习模型对所述标识图案的位置进行编辑的位置的步骤,包括:
将所述第二样本图像输入所述机器学习模型,在所述标识图案的位置生成编辑图像信息;
根据所述编辑图像信息以及所述第二样本图像中除所述标识图案之外的图像信息生成合成图像,其中,所述合成图像包括所述编辑图像信息以及所述第二样本图像中除所述标识图案之外的图像信息,且与所述第一样本图像的尺寸相同;
获取所述合成图像与所述第一样本图像之间的相似程度;
检测所述相似程度是否超过预设相似阈值;
若所述相似程度未超过预设相似阈值,则根据所述相似程度调整所述机器学习模型的权值后,转至将所述第二样本图像输入所述机器学习模型,在所述标识图案的位置生成编辑图像信息的步骤;
若所述相似程度超过预设相似阈值,则获得所述训练好的机器学习模型。
可选地,所述电子设备还配置有对照模型,所述获取所述合成图像与所述第一样本图像之间的相似程度的步骤,包括:
通过所述机器学习模型的第一损失函数,获得所述合成图像与所述第一样本图像之间的第一误差值;
通过所述对照模型对所述合成图像与所述第一样本图像之间的相似度进行校验,获得所述合成图像与所述第一样本图像之间的第二误差值;
根据所述第一误差值与所述第二误差值获得所述相似程度。
可选地,所述机器学习模型包括第一卷积层、空洞卷积层以及第二卷积层,所述将所述第二样本图像输入所述机器学习模型,在所述标识图案的位置生成编辑图像信息的步骤,包括:
将所述第二样本图像输入所述机器学习模型中,依次经所述第一卷积层、所述空洞卷积层以及所述第二卷积层处理,在所述标识图案的位置生成编辑图像信息。
可选地,所述电子设备配置有与所述第一样本图像尺寸相同的掩膜图像,所述掩膜图像中包括掩膜图案,所述获取将所述特定图像信息隐藏后的第二样本图像的步骤,包括:
将所述掩膜图案覆盖所述第一样本图像,获得所述第二样本图像,其中,通过所述掩膜图案隐藏所述特定图像信息,在所述第二样本图像中形成所述标识图案。
可选地,所述特定图像信息为佩戴状态的安全带。
本申请实施例的目的之二在于提供一种图像编辑方法,应用于电子设备,所述电子设备配置有经所述的训练方法训练好的机器学习模型,所述方法包括:
获取标记有标识图案的待编辑图像;
通过所述机器学习模型对所述待编辑图像中所述标识图案的位置进行编辑,在所述标识图案的位置生成特定图像信息;
根据所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息生成编辑结果图像,其中,所述编辑结果图像包括所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息。
可选地,所述获取标记有标识图案的待编辑图像的步骤,包括:
提供一显示界面;
通过该显示界面显示待编辑的原始图像;
响应该显示界面中的目标区域选取操作,在所述目标区域生成所述标识图案,获得所述待编辑图像。
本申请实施例的目的之三在于提供一种图像编辑装置,应用于电子设备,所述电子设备配置有经所述的训练方法训练好的机器学习模型,所述图像编辑装置包括:
图像获取模块,用于获取标记有标识图案的待编辑图像;
图像编辑模块,用于通过所述机器学习模型对所述待编辑图像中所述标识图案的位置进行编辑,在所述标识图案的位置生成特定图像信息;
图像合成模块,用于根据所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息生成编辑结果图像,其中,所述编辑结果图像包括所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息。
本申请实施例的目的之四在于提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述机器可执行指令被所述处理器执行时,实现所述的图像编辑方法。
本申请实施例的目的之五在于提供一种存储介质,该存储介质存储有能够被处理器执行的计算机程序,该计算机程序被所述处理器执行时,实现所述的图像编辑方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供的训练方法、图像编辑方法、装置及电子设备。在该训练方法中,由于用于训练的第二样本图像获取自隐藏了特定图像信息的第一样本图像,因此,第二样本图像与第一样本图像之间的区别仅在于该标识图案的位置处。该电子设备将第一样本图像作为机器学习模型训练过程中的参考目标,训练该机器学习模型根据该标识图案之外的图像信息在标识图案的位置生成特定图像信息的过程中,使得生成的特定图像信息能够与标识图案之外的图像信息的风格保持一致,进而能够减少图像失真。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的训练方法的步骤流程图;
图2为本申请实施例提供的步骤S200的子步骤流程图;
图3为本申请实施例提供的生成合成图像的示意图;
图4为本申请实施例提供的图像编辑方法的步骤流程图;
图5为本申请实施例提供的电子设备的结构示意图;
图6为本申请实施例提供的图像编辑装置的结构意图。
图标:500-标识图案;600-编辑图像信息;700-待填充区域;120-存储器;130-处理器;1101-图像获取模块;1102-图像编辑模块;1103-图像合成模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如背景技术部分所描述的,目前,在通过卷积神经网络之类的机器学习模型在对图像中的目标局部区域进行编辑时,该机器学习模型对目标局部区域之外的图像内容可能会产生或多或少的影响,继而会导致图片内容失真的情况。
鉴于此,本申请实施例提供一种训练方法,应用于电子设备,该电子设备中配置有未训练好的机器学习模型,请参照图1,以下将对该训练方法包括各个步骤进行详细阐述。
步骤S100,获取显示有特定图像信息的第一样本图像,以及将特定图像信息隐藏后的第二样本图像,其中,第二样本图像中,隐藏特定图像信息的位置标记有标识图案。
步骤S200,在机器学习模型训练过程中,将第一样本图像作为机器学习模型的参考目标,训练机器学习模型对标识图案的位置进行编辑,使得训练好的机器学习模型能够在标识图案的位置生成特定图像信息。
基于上述方法,由于用于训练的第二样本图像获取自隐藏了特定图像信息的第一样本图像,因此,第二样本图像与第一样本图像之间的区别仅在于该标识图案的位置处。该电子设备将第一样本图像作为机器学习模型训练过程中的参考目标,训练该机器学习模型根据该标识图案之外的图像信息在标识图案的位置生成特定图像信息过程中,使得生成的特定图像信息能够与标识图案之外的图像信息的风格保持一致,进而能够减少图像失真。
其中,将第一样本图像作为机器学习模型的参考目标,训练机器学习模型对标识图案的位置进行编辑时,作为一种可能的实施方式,下面结合图2,就该步骤所包括的各个子步骤进行详细阐述。
步骤S200-1,将第二样本图像输入机器学习模型,在标识图案的位置生成编辑图像信息。
由于在刚开始训练时,该机器学习模型中的参数为随机设置的超参数,因此,经该机器学习模型处理后的第二样本图像中,标识图案的位置的编辑图像信息可能与特定图像信息存在较大的差别。
步骤S200-2,根据编辑图像信息以及第二样本图像中除标识图案之外的图像信息生成合成图像,其中,合成图像包括编辑图像信息以及第二样本图像中除标识图案之外的图像信息,且与第一样本图像的尺寸相同。
考虑到机器学习模型在对第二样本图像进行编辑时,或多或少会对标识图案之外的图像信息产生一定的影响,为了避免标识图案之外的图像信息因为机器学习模型的处理而产生失真,该电子设备根据编辑图像信息与第二样本图像中除标识图案之外的图像信息生成合成图像。
由于第二样本图像中除标识图案之外的图像信息未经机器学习模型处理,能最大程度的保留第一样本图像最原始的图像特征,同时,该编辑图像信息为机器学习模型根据该标识图案之外的图像信息生成,因此,使得编辑图像信息能够尽量与周围的图像信息保持风格的一致。
例如,若标识图案周围为红色色调,则编辑图像信息需要尽量为红色色调;标识图案周围为绿色色调,则编辑图像信息需要尽量为绿色色调。
步骤S200-3,获取合成图像与第一样本图像之间的相似程度。
步骤S200-4,检测相似程度是否超过预设相似阈值。
步骤S200-5,若相似程度未超过预设相似阈值,则根据相似程度调整机器学习模型的权值后,转至将第二样本图像输入机器学习模型,在标识图案的位置生成编辑图像信息的步骤。
步骤S200-6,若相似程度超过预设相似阈值,则获得训练好的机器学习模型。
其中,在根据编辑图像信息以及第二样本图像中除标识图案之外的图像信息生成合成图像时,作为一种可能的实施方式,请参照图3,该电子设备通过机器学习模型对输入的第二样本图像进行编辑后,输出训练过程图像,其中,输入的第二样本图像与训练过程图像具有相同的尺寸,且在训练过程图像中,与第二样本图像的标识图案500对应的位置生成有编辑图像信息600。
针对第二样本图像,该电子设备去除其中的标识图案500,获得预留有待填充区域700的第一待合成图像。针对训练过程图像,该电子设备截取出其中的编辑图像信息600,获得第二待合成图像。进一步地,该电子设备将第二待合成图像填充到第一待合成图像的待填充区域700,得到合成图像。
当然,根据编辑图像信息以及第二样本图像中除标识图案之外的图像信息生成合成图像的具体方式,不仅限于上述示例,还包括其他方式,本申请实施例不做过多的限定。
可选地,为了进一步验证合成图像与第一样本图像的相似度,在获取所述合成图像与所述第一样本图像之间的相似程度时,作为一种可能的实施方式,该电子设备还配置有对照模型。该对照模型可以是训练好的深度神经网络模型,该对照模型的具体网络结构,本申请实施例不做具体的限定,只要能对合成图像与第一样本图像之间的相似度进行校验即可。
该电子设备通过机器学习模型的第一损失函数,获得所述合成图像与所述第一样本图像之间的第一误差值。
例如,该第一损失函数Loss可以表示为:
通过对照模型对合成图像与第一样本图像之间的相似度进行校验,获得合成图像与第一样本图像之间的第二误差值;根据所述第一误差值与所述第二误差值获得所述相似程度。
例如,在一种可能的示例中,该第一误差值表示为L1,第二误差值表示为L2;其中,第一误差值的权值为α,第二误差值的权值为(1-α);则该相似程度L可以表示为:
L=αL1+(1-α)L2;
应理解的是,该机器学习模型预设有对应的损失函数,该电子设备根据该相似程度,通过反向梯度传播算法对神经网络模型的权值进行调整,直至该相似程度大于相似阈值。
其中,针对该机器学习模型,作为一种可能的实施方式,该机器学习模型依次包括第一卷积层、空洞卷积层以及第二卷积层。将第二样本图像输入所述机器学习模型中后,该电子设备依次经所述第一卷积层、所述空洞卷积层以及所述第二卷积层处理,在所述标识图案的位置生成该编辑图像信息。
其中,由于该机器学习模型为Encoder-Decoder模型,即先进行卷积操作之后,又进行空洞卷积操作,因此,该机器学习模型的输入为一张图像,输出同样为一张图像,进而能够用于编辑图像。为了提高对图像的编辑效果,还可以在第一卷积层与空洞卷积层之间设置一全连接层。
可选地,在获取将所述特定图像信息隐藏后的第二样本图像时,作为一种可能的实施方式,所述电子设备配置有与所述第一样本图像尺寸相同的掩膜图像,所述掩膜图像中包括掩膜图案。该电子设备将所述掩膜图案覆盖所述第一样本图像,获得所述第二样本图像,其中,通过所述掩膜图案隐藏所述特定图像信息,在所述第二样本图像中形成所述标识图案。
应理解是,该掩膜图案中,掩膜图案之外的部分在肉眼中呈现透明状态,因此,将所述掩膜图案覆盖所述第一样本图像时,该掩膜图案之外的部分不会对第一样本图像照成影响。当然,还可以通过其他方式对第一样本图像中的特定图像信息进行隐藏,本申请实施例不做过多的限定。
针对,该特定图像信息,可以是配置佩戴状态的安全带。例如,通过训练好的机器学习模型,可以用于在未佩戴安全带的图像中,添加上安全带。应理解的是,在需要大量佩戴安全带的样本图像,用以训练特定功能的机器学习模型时,若样本图像的数量不足,可以通过上述训练方法训练好的机器学习模型扩充样本图像的数量。
该特定图像信息,还可以是特定的发型以及佩戴状态的眼镜等。用户可以根据实际需求选取对应的训练样本,本申请实施例不做限定。
本申请实施例还提供一种图像编辑方法,应用于电子设备,该电子设备配置有通过上述训练方法训练好的机器学习模型。请参照图4,以下将对该图像编辑方法包括各个步骤进行详细阐述。
步骤S300,该电子设备获取标记有标识图案的待编辑图像。
步骤S400,通过机器学习模型对待编辑图像中标识图案的位置进行编辑,在标识图案的位置生成特定图像信息。
步骤S400,根据特定图像信息以及待编辑图像中除标识图案之外的图像信息生成编辑结果图像,其中,编辑结果图像包括特定图像信息以及待编辑图像中除标识图案之外的图像信息。
可选地,为方便用户获取标识有标识图案的待编辑图像,该电子设备提供一显示界面;通过该显示界面显示待编辑的原始图像;响应该显示界面中的目标区域选取操作,在所述目标区域生成所述标识图案,获得所述待编辑图像。
值得说明的是,用于训练神经网络模型的电子设备以及用于编辑图像的电子设备,可以是同一电子设备,也可以是不同的电子设备。针对该电子设备,可以是服务器、智能手机、个人电脑(Personal Computer,PC)、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。
请参照图5,为本申请实施例提供的该电子设备的结构示意图。所述电子设备包括存储器120以及处理器130。
所述存储器120、处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述处理器130用于执行所述存储器120中存储的可执行模块,例如计算机程序。
本申请实施例还提供一种图像编辑装置,应用于电子设备,所述电子设备配置有经所述的训练方法训练好的机器学习模型。请参照图6,所述图像编辑装置包括:
图像获取模块1101,用于获取标记有标识图案的待编辑图像。
在本申请实施例中,该图像获取模块1101用于执行图4中的步骤S300,关于该图像获取模块1101的详细描述,可以参考步骤S300的详细描述。
图像编辑模块1102,用于通过所述机器学习模型对所述待编辑图像中所述标识图案的位置进行编辑,在所述标识图案的位置生成特定图像信息。
在本申请实施例中,该图像编辑模块1102用于执行图4中的步骤S400,关于该图像编辑模块1102的详细描述,可以参考步骤S400的详细描述。
图像合成模块1103,用于根据所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息生成编辑结果图像,其中,所述编辑结果图像包括所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息。
在本申请实施例中,该图像合成模块1103用于执行图4中的步骤S500,关于该图像合成模块1103的详细描述,可以参见步骤S500的详细描述。
本申请实施还提供一种电子设备,所述电子设备包括存储器120以及处理器130,所述存储器120存储有能够被所述处理器130执行的机器可执行指令,所述机器可执行指令被所述处理器130执行时,实现所述的图像编辑方法。
本申请实施例还提供一种存储介质,该存储介质存储有能够被处理器130执行的计算机程序,该计算机程序被所述处理器130执行时,实现所述图像编辑方法。
综上所述,本申请实施例提供的训练方法、图像编辑方法、装置及电子设备。在该训练方法中,由于用于训练的第二样本图像获取自隐藏了特定图像信息的第一样本图像,因此,第二样本图像与第一样本图像之间的区别仅在于该标识图案的位置处。该电子设备将第一样本图像作为机器学习模型训练过程中的参考目标,训练该机器学习模型根据该标识图案之外的图像信息在标识图案的位置生成特定图像信息的过程中,使得生成的特定图像信息能够与标识图案之外的图像信息的风格保持一致,进而能够减少图像失真。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种训练方法,其特征在于,应用于电子设备,所述电子设备中配置有未训练好的机器学习模型,所述方法包括:
获取显示有特定图像信息的第一样本图像,以及将所述特定图像信息隐藏后的第二样本图像,其中,所述第二样本图像中,隐藏所述特定图像信息的位置标记有标识图案;
在所述机器学习模型训练过程中,将所述第一样本图像作为所述机器学习模型的参考目标,训练所述机器学习模型对所述标识图案的位置进行编辑,使得训练好的机器学习模型能够在所述标识图案的位置生成所述特定图像信息。
2.根据权利要求1所述的训练方法,其特征在于,所述将所述第一样本图像作为所述机器学习模型的参考目标,训练所述机器学习模型对所述标识图案的位置进行编辑的步骤,包括:
将所述第二样本图像输入所述机器学习模型,在所述标识图案的位置生成编辑图像信息;
根据所述编辑图像信息以及所述第二样本图像中除所述标识图案之外的图像信息生成合成图像,其中,所述合成图像包括所述编辑图像信息以及所述第二样本图像中除所述标识图案之外的图像信息,且与所述第一样本图像的尺寸相同;
获取所述合成图像与所述第一样本图像之间的相似程度;
检测所述相似程度是否超过预设相似阈值;
若所述相似程度未超过所述预设相似阈值,则根据所述相似程度调整所述机器学习模型的权值后,转至将所述第二样本图像输入所述机器学习模型,在所述标识图案的位置生成编辑图像信息的步骤;
若所述相似程度超过预设相似阈值,则获得所述训练好的机器学习模型。
3.根据权利要求2所述的训练方法,其特征在于,所述电子设备还配置有对照模型,所述获取所述合成图像与所述第一样本图像之间的相似程度的步骤,包括:
通过所述机器学习模型的第一损失函数,获得所述合成图像与所述第一样本图像之间的第一误差值;
通过所述对照模型对所述合成图像与所述第一样本图像之间的相似度进行校验,获得所述合成图像与所述第一样本图像之间的第二误差值;
根据所述第一误差值与所述第二误差值获得所述相似程度。
4.根据权利要求2所述的训练方法,其特征在于,所述机器学习模型包括第一卷积层、空洞卷积层以及第二卷积层,所述将所述第二样本图像输入所述机器学习模型,在所述标识图案的位置生成编辑图像信息的步骤,包括:
将所述第二样本图像输入所述机器学习模型中,依次经所述第一卷积层、所述空洞卷积层以及所述第二卷积层处理,在所述标识图案的位置生成编辑图像信息。
5.根据权利要求1所述的训练方法,其特征在于,所述电子设备配置有与所述第一样本图像尺寸相同的掩膜图像,所述掩膜图像中包括掩膜图案,所述获取将所述特定图像信息隐藏后的第二样本图像的步骤,包括:
将所述掩膜图案覆盖所述第一样本图像,获得所述第二样本图像,其中,通过所述掩膜图案隐藏所述特定图像信息,在所述第二样本图像中形成所述标识图案。
6.根据权利要求1所述的训练方法,其特征在于,所述特定图像信息为佩戴状态的安全带。
7.一种图像编辑方法,其特征在于,应用于电子设备,所述电子设备配置有经权利要求1-6任意一项所述的训练方法训练好的机器学习模型,所述方法包括:
获取标记有标识图案的待编辑图像;
通过所述机器学习模型对所述待编辑图像中所述标识图案的位置进行编辑,在所述标识图案的位置生成特定图像信息;
根据所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息生成编辑结果图像,其中,所述编辑结果图像包括所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息。
8.根据权利要求7所述的图像编辑方法,其特征在于,所述获取标记有标识图案的待编辑图像的步骤,包括:
提供一显示界面;
通过该显示界面显示待编辑的原始图像;
响应该显示界面中的目标区域选取操作,在所述目标区域生成所述标识图案,获得所述待编辑图像。
9.一种图像编辑装置,其特征在于,应用于电子设备,所述电子设备配置有经权利要求1-6任意一项所述的训练方法训练好的机器学习模型,所述图像编辑装置包括:
图像获取模块,用于获取标记有标识图案的待编辑图像;
图像编辑模块,用于通过所述机器学习模型对所述待编辑图像中所述标识图案的位置进行编辑,在所述标识图案的位置生成特定图像信息;
图像合成模块,用于根据所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息生成编辑结果图像,其中,所述编辑结果图像包括所述特定图像信息以及所述待编辑图像中除所述标识图案之外的图像信息。
10.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述机器可执行指令被所述处理器执行时,实现如权利要求7-8任意一项所述的图像编辑方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528653.2A CN111667014B (zh) | 2020-06-11 | 2020-06-11 | 训练方法、图像编辑方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528653.2A CN111667014B (zh) | 2020-06-11 | 2020-06-11 | 训练方法、图像编辑方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667014A true CN111667014A (zh) | 2020-09-15 |
CN111667014B CN111667014B (zh) | 2022-12-02 |
Family
ID=72387210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010528653.2A Active CN111667014B (zh) | 2020-06-11 | 2020-06-11 | 训练方法、图像编辑方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667014B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301649A1 (en) * | 2011-11-29 | 2014-10-09 | Thomson Licensing | Texture masking for video quality measurement |
CN106341664A (zh) * | 2016-09-29 | 2017-01-18 | 浙江宇视科技有限公司 | 一种数据处理方法及装置 |
CN108648135A (zh) * | 2018-06-01 | 2018-10-12 | 深圳大学 | 隐藏模型训练及使用方法、装置和计算机可读存储介质 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN110619315A (zh) * | 2019-09-24 | 2019-12-27 | 重庆紫光华山智安科技有限公司 | 人脸识别模型的训练方法、装置及电子设备 |
-
2020
- 2020-06-11 CN CN202010528653.2A patent/CN111667014B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301649A1 (en) * | 2011-11-29 | 2014-10-09 | Thomson Licensing | Texture masking for video quality measurement |
CN106341664A (zh) * | 2016-09-29 | 2017-01-18 | 浙江宇视科技有限公司 | 一种数据处理方法及装置 |
CN108648135A (zh) * | 2018-06-01 | 2018-10-12 | 深圳大学 | 隐藏模型训练及使用方法、装置和计算机可读存储介质 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN110619315A (zh) * | 2019-09-24 | 2019-12-27 | 重庆紫光华山智安科技有限公司 | 人脸识别模型的训练方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
CHENGYI CAI等: "Underwater Image Processing System for Image Enhancement and Restoration", 《2019 IEEE 11TH INTERNATIONAL CONFERENCE ON COMMUNICATION SOFTWARE AND NETWORKS》 * |
迟冰瑶: "基于深度卷积神经网络的图像分类模型的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111667014B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11973732B2 (en) | Messaging system with avatar generation | |
CN109618222B (zh) | 一种拼接视频生成方法、装置、终端设备及存储介质 | |
US10049477B1 (en) | Computer-assisted text and visual styling for images | |
CN106778928B (zh) | 图像处理方法及装置 | |
US9928836B2 (en) | Natural language processing utilizing grammar templates | |
CN109688463A (zh) | 一种剪辑视频生成方法、装置、终端设备及存储介质 | |
CN108229293A (zh) | 人脸图像处理方法、装置和电子设备 | |
US8891860B2 (en) | Color name determination device, color name determination method, information recording medium, and program | |
US9436382B2 (en) | Natural language image editing | |
JP6569047B1 (ja) | 学習方法、コンピュータプログラム、分類器、及び生成器 | |
Panetta et al. | Tmo-net: A parameter-free tone mapping operator using generative adversarial network, and performance benchmarking on large scale hdr dataset | |
CN106157273B (zh) | 生成合成图片的方法及装置 | |
EP2741254A1 (en) | Color determination device, color determination system, color determination method, information recording medium, and program | |
WO2015148733A2 (en) | Systems and methods for the real-time modification of videos and images within a social network format | |
US20200242823A1 (en) | Transferring Vector Style Properties to a Vector Artwork | |
US20090135198A1 (en) | Method and apparatus for producing digital cartoons | |
KR20090092035A (ko) | 모자이크 영상을 생성하는 방법 및 이를 위한 장치 | |
CN109816743A (zh) | 生成标识图案的方法和终端设备 | |
CN100371945C (zh) | 一种计算机辅助书法作品真伪鉴别方法 | |
US11126788B2 (en) | Font capture from images of target decorative character glyphs | |
CN109492735B (zh) | 二维码生成方法及计算机可读存储介质 | |
CN113590247B (zh) | 文本创作方法及计算机程序产品 | |
CN113962192B (zh) | 汉字字体生成模型的生成方法、汉字字体生成方法及装置 | |
CN111667014B (zh) | 训练方法、图像编辑方法、装置及电子设备 | |
CN110533020A (zh) | 一种文字信息的识别方法、装置及存储介质 |
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 |