CN111768333A - 标识去除方法、装置、设备及存储介质 - Google Patents
标识去除方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111768333A CN111768333A CN202010474563.XA CN202010474563A CN111768333A CN 111768333 A CN111768333 A CN 111768333A CN 202010474563 A CN202010474563 A CN 202010474563A CN 111768333 A CN111768333 A CN 111768333A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- trained
- unidentified
- generate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 82
- 230000008569 process Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims 2
- 230000000153 supplemental effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000001737 promoting effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种标识去除方法、装置、设备及存储介质,通过使用作为同源图像对的有标识图像和第一无标识图像,以及第二无标识图像和第二无标识图像类型,对处理模型进行训练,生成训练后的处理模型,使得该处理模型可以平滑的去除标识,进而使得生成的无标识的产品图像不出现失真现象。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种标识去除方法、装置、设备及存储介质。
背景技术
随着电商行业的蓬勃发展,用于展示商品的产品图像数量也急剧上升,对产品图像进行数据分析也逐渐受到重视。
电商在将产品图像上传电商数据库时,会通过水印或者在空白区域添加等方式在产品图像上增加宣传标识。这些宣传标识会严重干扰数据分析过程,降低分析结果的准确度。因此,在进行数据分析前,需要去除产品图像上的宣传标识。现有的标识去除方法包括:将待处理图像进行复制,得到多张待处理图像,将待处理图像由RGB图转换为灰度图,将多张灰度图进行叠加得到一张灰度图,对灰度图进行分割处理获得水印区域,再对水印区域使用修复算法进行修复,再将修复后的灰度图转换为RGB图,即可得到无标识图像。
然而,现有标识去除方法需要对水印区域进行修复处理,导致所生成的无标识图像出现失真。
发明内容
本申请提供一种标识去除方法、装置、设备及存储介质,以解决现有技术需要对水印区域进行修复处理,导致所生成的无标识图像出现失真的问题。
第一方面,本申请提供一种标识去除方法,包括:从数据库中获取产品图像,其中,产品图像上设置有标识区域;根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像;其中,训练后的处理模型是使用训练样本训练获得的,训练样本包括用于作为处理模型的第一输入数据的有标识图像、用于作为处理模型的第一输出数据的第一无标识图像、用于作为处理模型的第二输入数据的第二无标识图像以及用于作为处理模型的第二输出数据的第二无标识图像类型,有标识图像和第一无标识图像为同源图像对,第二无标识图像类型用于表示第二无标识图像的图像类型。
可选地,在根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像之前,方法包括:根据有标识图像、第二无标识图像和第二无标识图像类型训练第一模型,生成训练后的第一模型,其中,处理模型包括第一模型和第二模型;根据有标识图像、第一无标识图像以及训练后的第一模型训练第二模型,生成训练后的第二模型。
可选地,根据有标识图像、第二无标识图像和第二无标识图像类型训练第一模型,生成训练后的第一模型,具体包括:根据第二模型对有标识图像进行处理,生成第一结果图像;根据第一结果图像、第二无标识图像以及第二无标识图像类型训练第一模型,生成训练后的第一模型。
可选地,根据第一结果图像、第二无标识图像以及第二无标识图像类型训练第一模型,生成训练后的第一模型,具体包括:使用中间训练样本训练第一模型,生成训练后的第一模型,其中,中间训练样本包括中间图像和中间图像类型,中间图像为第一结果图像或者第二无标识图像。
可选地,使用中间训练样本训练第一模型,生成训练后的第一模型,具体包括:根据第一模型对中间图像进行识别处理,生成第一识别结果;根据第一识别结果和中间图像类型确定第一损失值;根据第一损失值调整第一模型的模型参数,生成训练后的第一模型。
可选地,若中间图像为第一结果图像,中间图像类型为有标识;若中间图像为第二无标识图像,中间图像类型为无标识。
可选地,根据有标识图像、第一无标识图像以及训练后的第一模型训练第二模型,生成训练后的第二模型,具体包括:根据有标识图像、第一无标识图像和第二模型确定第二模型的第二主损失值;根据有标识图像、第二模型和训练后的第一模型确定第二模型的第二辅损失值;根据第二主损失值和第二辅损失值调整第二模型的模型参数,生成训练后的第二模型。
可选地,根据有标识图像、第一无标识图像和第二模型确定第二模型的第二主损失值,具体包括:根据第二模型对有标识图像进行识别处理,生成第二结果图像;根据第二结果图像和第一无标识图像生成第二主损失值。
可选地,根据有标识图像、第二模型和训练后的第一模型确定第二模型的第二辅损失值,具体包括:根据第一模型对第二结果图像进行识别处理,生成第二识别结果;根据第二识别结果和第二结果图像的预设图像类型确定第二辅损失值。
可选地,在根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像之后,方法包括:将无标识的产品图像与设置有标识区域的产品图像进行比较,确定标识位置。
第二方面,本申请提供一种标识去除装置,包括:获取模块,用于从数据库中获取产品图像,其中,产品图像上设置有标识区域;处理模块,用于根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像;其中,训练后的处理模型是使用训练样本训练获得的,训练样本包括用于作为处理模型的第一输入数据的有标识图像、用于作为处理模型的第一输出数据的第一无标识图像、用于作为处理模型的第二输入数据的第二无标识图像以及用于作为处理模型的第二输出数据的第二无标识图像类型,有标识图像和第一无标识图像为同源图像对,第二无标识图像类型用于表示第二无标识图像的图像类型。
第三方面,本申请提供一种设备,包括:存储器,用于存储程序;处理器,用于执行存储器存储的程序,当程序被执行时,处理器用于执行如第一方面及可选方案所涉及的标识去除方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面及可选方案所涉及的标识去除方法。
本申请提供一种标识去除方法、装置、设备及存储介质,通过使用同源图像对的有标识图像和第一无标识图像,以及第二无标识图像和第二无标识图像类型,对处理模型进行训练,生成训练后的处理模型,使得该处理模型可以平滑的去除标识,进而使得生成的无标识的产品图像不出现失真现象。
附图说明
图1为本申请提供的标识去除方法的应用场景图;
图2为本申请实施例一提供的标识去除方法的流程示意图;
图3为本申请实施例一提供的设置有标识区域的产品图片;
图4为本申请实施例一提供的无标识的产品图片;
图5为本申请实施例二提供的处理模型的训练的流程示意图;
图6为本申请实施例三提供的处理模型的结构示意图;
图7为本申请实施例四提供的标识去除方法装置的结构示意图;
图8为本申请实施例五提供的设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请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。基于本申请中的实施例,本领域普通技术人员在没有做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。
如图1所示,电商数据库内存储有电商上传的大量产品图像,该产品图像用于描述产品外观、功能、使用方法等内容。用户可以用所需要产品的图像在电商数据库中找到对应产品,并购买该产品。电商在将产品图像上传电商数据库时,会通过水印或者在空白区域添加等方式在产品图像上增加宣传标识。这些宣传标识会严重干扰数据分析过程,降低分析结果的准确度,进而使用户无法搜索到需求产品。因此,在进行数据分析前,需要去除产品图像上的宣传标识。
现有的标识去除方法包括:将待处理图像进行复制,得到多张待处理图像,将待处理图像由RGB图转换为灰度图,将多张灰度图进行叠加得到一张灰度图,对灰度图进行分割处理获得水印区域,再对水印区域进行修复,再将修复后的灰度图转换为RGB图,即可得到无标识图像。然而,现有标识去除方法需要进行RGB图和灰度图转换,导致所生成的无标识图像出现失真。
本申请提供一种标识去除方法、装置、设备及存储介质,旨在解决上述技术问题。本申请的发明构思为:通过训练处理模型,使得处理模型能够平滑地去除产品上标识,进而使得生成的无标识图像不出现失真现象。在训练处理模型时,先训练处理模型中第一模型,然后在联合第一模型训练第二模型,使得用训练后的处理模型可以平滑去除产品图像上标识。
图2为本申请实施例一提供的标识去除方法的流程示意图。如图2所示,本申请实施例一提供的标识去除方法包括如下步骤:
S101、从数据库中获取产品图像。
其中,产品图像上设置有标识区域,标识区域为宣传标识所在区域,宣传标识包括印有宣传语的腰带、商标标识等,宣传标识可以通过水印或者在产品图像的空白区域直接增加的形式添加至产品图片上,如图3所示,在产品图片下方设有腰带,腰带上印有宣传语。数据库可以使上述电商数据库,也可以是其他用途数据库。
S102、根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像。
其中,训练后的处理模型是使用训练样本训练获得的。训练后的处理模型能对产品图像进行去除标识处理,并生成无标识的产品图像。以图3所示产品图像为例,经过训练后的处理模型处理后,得到如图4所示的无标识的产品图像。相对设置有标识区域的产品图像而言,无标识的产品图像并未出现失真,能够真实反映产品。
其中,训练样本包括有标识图像、第一无标识图像、第二无标识图像以及第二无标识图像类型。有标识图像和第一无标识图像为同源图像对,例如图3和图4。第二无标识图像类型用于表示第二无标识图像的图像类型。图像类型分为有标识和无标识,可以分别用C1和C0表示,则第二无标识图像的图像类型为C0。有标识图像作为处理模型的第一输入数据,第一无标识图像作为处理模型的第一输出数据,第二无标识图像作为处理模型的第二输入数据,第二无标识图像类型作为处理模型的第二输出数据。其中,第一无标识图像和第二无标识图像类型作为处理模型的参考值,用于计算处理模型的损失值,进而逆向传播,优化处理模型的模型参数。
在本申请实施例一提供的标识去除方法中,通过训练处理模型,使训练后的处理模型能够平滑地去除产品图像中标识,进而使得生成无标识的产品图像不出现失真现象。
下面重点描述本申请实施例二提供的标识去除方法,该标识去除方法包括如下步骤:
S201、使用训练样本对处理模型进行训练,生成训练后的处理模型。
其中,训练样本包括有标识图像、第一无标识图像、第二无标识图像以及第二无标识图像类型。处理模型包括级联的第一模型和第二模型。也就是第二模型的输出量作为第一模型的输入量。第二模型用于去除图像标识,也就是将有标识图像输入第二模型,经过第二模型处理后,可得到无标识图像。第一模型用于判别图像类型,也就是将第二模型生成的图像输入第一模型,经过第二模型识别后,可以确定该图像类型。在使用过程仅需使用第一模型,在训练过程中需要结合第一模型和第二模型共同训练。其中,第一模型和第二模型均为卷积网络。
其中,由于同源图像对样本比较少,可以通过合成方法获得样本。先采集大量的宣传标识,将标识与无标识的原始图像进行融合,生成有标识的图像。在获得训练样本之后,利用训练样本对处理模型进行训练。如图5所示,处理模型的具体训练过程为:根据有标识图像、第二无标识图像和第二无标识图像类型训练第一模型,生成训练后的第一模型。根据有标识图像、第一无标识图像以及训练后的第一模型训练第二模型,生成训练后的第二模型。
下面结合图5重点描述训练第一模型的过程:使用第二模型对有标识图像进行处理生成第一结果图像。由于第二模型并未进行去除标识的训练,生成的第一结果图像准确度不高,仍存在宣传标识。但此时主要是训练第一模型,将第一结果图像的图像类型设置为有标识,与第二无标识图像作为对比样本,对第一模型进行训练,因此,第一结果图像的准确度对训练结果影像不大。在生成第一结果图像之后,根据第一结果图像、第二无标识图像以及第二无标识图像类型训练第一模型,生成训练后的第一模型。
其中,根据第一结果图像、第二无标识图像以及第二无标识图像类型训练第一模型,生成训练后的第一模型,具体包括:根据第二无标识图像类型确定第一结果图像的第一结果图像类型。例如:第二无标识图像的类型为无标识C0,也就是第二无标识图像类型为C0,第一结果图像的图像类型为有标识C1,第一结果图像类型为C1。
根据第一结果图像和第二无标识图像构建中间训练样本,其中,中间训练样本包括中间图像和中间图像类型,中间图像为第一结果图像或者第二无标识图像。若中间图像为第一结果图像,中间图像类型为有标识;若中间图像为第二无标识图像,中间图像类型为无标识。
使用中间训练样本训练第一模型,生成训练后的第一模型。中间训练样本的具体训练过程包括:根据第一模型对中间图像进行识别处理生成第一识别结果,其中,第一识别结果为无标识类型或者有标识类型。根据第一识别结果和中间图像类型确定第一损失值。根据第一损失值调整第一模型的模型参数生成训练后的第一模型。
下面结合图5下面重点描述训练第二模型的过程:根据有标识图像、第一无标识图像和第二模型确定第二模型的第二主损失值。根据有标识图像、第二模型和训练后的第一模型确定第二模型的第二辅损失值。根据第二主损失值和第二辅损失值调整第二模型的模型参数,生成训练后的第二模型。
其中,根据有标识图像、第一无标识图像和第二模型确定第二模型的第二主损失值,具体包括:根据第二模型对有标识图像进行识别处理,生成第二结果图像,其中,第二结果图像为进行去标识处理后生成的图像。根据第二结果图像和第一无标识图像生成第二主损失值。
其中,根据有标识图像、第二模型和训练后的第一模型确定第二模型的第二辅损失值,具体包括:根据第一模型对第二结果图像进行识别处理,生成第二识别结果。根据第二识别结果和第二结果图像的预设图像类型确定第二辅损失值。由于此时在训练第二模型,为了使第二模型能生成无标识图像,设置第二结果图像的预设图像类型为无标识类型。
S202、从电商数据可中获取产品图像。
其中,该步骤已经在S101中详细说明,此处不再赘述。
S203、根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像。
其中,该步骤已经在S102中详细说明,此处不再赘述。
在本申请实施例二提供的标识去除方法,采用轮流训练方式,先训练第一模型,再结合训练后的第一模型训练第二模型,可以使第二模型能够平滑去除产品图像上标识,进而使生成的无标识产品不出现失真。
下面结合卷积网络描述本申请实施例三提供的标识去除方法,该标识去除方法包括如下步骤:
S301、使用训练样本对处理模型进行训练,生成训练后的处理模型。
其中,该步骤已经在S201中详细说明,此处不再赘述。下面重点描述处理模型的结构,作为一种具体实现方式,如图6所示,第二模型包括多个卷积模块、多个池化层以及多个全连接层,有标识图像经过多个卷积模块处理后得到特征图,由池化层对特征图进行下采样,实现特征池化。第一模型包含多个卷积层、多个全连接层以及1个激活层,其中,激活层通过Sigmoid函数实现。再基于上述模型结构,使用有标识图像、第二无标识图像和第二无标识图像类型训练第一模型。在训练完第一模型后,根据有标识图像、第一无标识图像以及训练后的第一模型训练第二模型,进而完成处理模型训练。
作为另一种具体实现方式,处理模型的骨架模型可以基于MobileNet_V2模型,在搭建完处理模型之后,可以对处理模型进行预训练。
S302、从电商数据可中获取产品图像。
其中,该步骤已经在S101中详细说明,此处不再赘述。
S303、根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像。
其中,该步骤已经在S102中详细说明,此处不再赘述。
S304、将无标识的产品图像与设置有标识区域的产品图像进行比较,确定标识位置。
其中,通过将无标识的产品图像与设置有标识区域的产品图像采用逐像素对比,即可实现标识定位。
在本申请实施例三提供的标识去除方法中,通过处理模型生成无标识的产品图像之后,将无标识产品图像和设置有标识区域的产品图像比较,即可实现标识定位。
图7为本申请实施例四提供的标识去除方法装置的结构示意图。如图7所示,本申请提供一种标识去除装置400,包括:
获取模块401,用于获取产品图像,其中,产品图像上设置有标识区域;
处理模块402,用于根据训练后的处理模型对产品图像进行去除标识处理,生成无标识的产品图像;
其中,训练后的处理模型是使用训练样本训练获得的,训练样本包括用于作为处理模型的第一输入数据的有标识图像、用于作为处理模型的第一输出数据的第一无标识图像、用于作为处理模型的第二输入数据的第二无标识图像以及用于作为处理模型的第二输出数据的第二无标识图像类型,有标识图像和第一无标识图像为同源图像对,第二无标识图像类型用于表示第二无标识图像的图像类型。
可选地,装置还包括训练模块403,训练模块403用于:根据有标识图像、第二无标识图像和第二无标识图像类型训练第一模型,生成训练后的第一模型,其中,处理模型包括第一模型和第二模型;根据有标识图像、第一无标识图像以及训练后的第一模型训练第二模型,生成训练后的第二模型。
可选地,训练模块403具体用于:根据第二模型对有标识图像进行处理,生成第一结果图像;根据第一结果图像、第二无标识图像以及第二无标识图像类型训练第一模型,生成训练后的第一模型。
可选地,训练模块403具体用于:使用中间训练样本训练第一模型,生成训练后的第一模型,其中,中间训练样本包括中间图像和中间图像类型,中间图像为第一结果图像或者第二无标识图像。
可选地,训练模块403具体用于:根据第一模型对中间图像进行识别处理,生成第一识别结果;根据第一识别结果和中间图像类型确定第一损失值;根据第一损失值调整第一模型的模型参数,生成训练后的第一模型。
可选地,若中间图像为第一结果图像,中间图像类型为有标识;若中间图像为第二无标识图像,中间图像类型为无标识。
可选地,训练模块403具体用于:根据有标识图像、第一无标识图像和第二模型确定第二模型的第二主损失值;根据有标识图像、第二模型和训练后的第一模型确定第二模型的第二辅损失值;根据第二主损失值和第二辅损失值调整第二模型的模型参数,生成训练后的第二模型。
可选地,训练模块403具体用于:根据第二模型对有标识图像进行识别处理,生成第二结果图像;根据第二结果图像和第一无标识图像生成第二主损失值。
可选地,训练模块403具体用于:根据第一模型对第二结果图像进行识别处理,生成第二识别结果;根据第二识别结果和第二结果图像的预设图像类型确定第二辅损失值。
可选地,装置还包括定位模块404,定位模块404用于:将无标识的产品图像与设置有标识区域的产品图像进行比较,确定标识位置。
图8为本申请实施例六示出的电子设备的结构示意图。如图8所示,本实施例提供的设备500包括:发送器501、接收器502、存储器503、及处理器502。
发送器501,用于发送指令和数据;
接收器502,用于接收指令和数据;
存储器503,用于存储计算机执行指令;
处理器504,用于执行存储器存储的计算机执行指令,以实现上述实施例中标识去除方法所执行的各个步骤。具体可以参见前述标识去除方法实施例中的相关描述。
可选地,上述存储器503既可以是独立的,也可以跟处理器504集成在一起。
当存储器503独立设置时,该设备还包括总线,用于连接存储器503和处理器504。
本申请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中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上设备所执行的标识去除方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (13)
1.一种标识去除方法,其特征在于,包括:
从数据库中获取产品图像,其中,所述产品图像上设置有标识区域;
根据训练后的处理模型对所述产品图像进行去除标识处理,生成无标识的产品图像;
其中,所述训练后的处理模型是使用训练样本训练获得的,所述训练样本包括用于作为所述处理模型的第一输入数据的有标识图像、用于作为所述处理模型的第一输出数据的第一无标识图像、用于作为所述处理模型的第二输入数据的第二无标识图像以及用于作为所述处理模型的第二输出数据的第二无标识图像类型,所述有标识图像和所述第一无标识图像为同源图像对,所述第二无标识图像类型用于表示所述第二无标识图像的图像类型。
2.根据权利要求1所述的标识去除方法,其特征在于,在所述根据训练后的处理模型对所述产品图像进行去除标识处理,生成无标识的产品图像之前,所述方法包括:
根据所述有标识图像、所述第二无标识图像和所述第二无标识图像类型训练第一模型,生成训练后的第一模型,其中,所述处理模型包括所述第一模型和第二模型;
根据所述有标识图像、所述第一无标识图像以及所述训练后的第一模型训练所述第二模型,生成训练后的第二模型。
3.根据权利要求2所述的标识去除方法,其特征在于,根据所述有标识图像、所述第二无标识图像和所述第二无标识图像类型训练所述第一模型,生成训练后的第一模型,具体包括:
根据所述第二模型对所述有标识图像进行处理,生成第一结果图像;
根据所述第一结果图像、所述第二无标识图像以及所述第二无标识图像类型训练所述第一模型,生成训练后的第一模型。
4.根据权利要求3所述的标识去除方法,其特征在于,根据所述第一结果图像、所述第二无标识图像以及所述第二无标识图像类型训练所述第一模型,生成训练后的第一模型,具体包括:
使用中间训练样本训练所述第一模型,生成所述训练后的第一模型,其中,所述中间训练样本包括中间图像和中间图像类型,所述中间图像为所述第一结果图像或者所述第二无标识图像。
5.根据权利要求4所述的标识去除方法,其特征在于,所述使用中间训练样本训练所述第一模型,生成训练后的第一模型,具体包括:
根据所述第一模型对所述中间图像进行识别处理,生成第一识别结果;
根据所述第一识别结果和中间图像类型确定第一损失值;
根据所述第一损失值调整所述第一模型的模型参数,生成训练后的第一模型。
6.根据权利要求4或5所述的标识去除方法,其特征在于,若所述中间图像为所述第一结果图像,所述中间图像类型为所述有标识;若所述中间图像为所述第二无标识图像,所述中间图像类型为所述无标识。
7.根据权利要求2所述的标识去除方法,其特征在于,根据所述有标识图像、所述第一无标识图像以及所述训练后的第一模型训练所述第二模型,生成训练后的第二模型,具体包括:
根据所述有标识图像、所述第一无标识图像和所述第二模型确定所述第二模型的第二主损失值;
根据所述有标识图像、所述第二模型和所述训练后的第一模型确定所述第二模型的第二辅损失值;
根据所述第二主损失值和所述第二辅损失值调整所述第二模型的模型参数,生成训练后的第二模型。
8.根据权利要求7所述的标识去除方法,其特征在于,根据所述有标识图像、所述第一无标识图像和所述第二模型确定所述第二模型的第二主损失值,具体包括:
根据所述第二模型对所述有标识图像进行识别处理,生成第二结果图像;
根据所述第二结果图像和所述第一无标识图像生成所述第二主损失值。
9.根据权利要求8所述的标识去除方法,其特征在于,根据所述有标识图像、所述第二模型和所述训练后的第一模型确定所述第二模型的第二辅损失值,具体包括:
根据所述第一模型对所述第二结果图像进行识别处理,生成第二识别结果;
根据所述第二识别结果和所述第二结果图像的预设图像类型确定所述第二辅损失值。
10.根据权利要求1所述的标识去除方法,其特征在于,在根据训练后的处理模型对所述产品图像进行去除标识处理,生成无标识的产品图像之后,所述方法包括:
将所述无标识的产品图像与设置有标识区域的产品图像进行比较,确定标识位置。
11.一种标识去除装置,其特征在于,包括:
获取模块,用于从数据库中获取产品图像,其中,所述产品图像上设置有标识区域;
处理模块,用于根据训练后的处理模型对所述产品图像进行去除标识处理,生成无标识的产品图像;
其中,所述训练后的处理模型是使用训练样本训练获得的,所述训练样本包括用于作为所述处理模型的第一输入数据的有标识图像、用于作为所述处理模型的第一输出数据的第一无标识图像、用于作为所述处理模型的第二输入数据的第二无标识图像以及用于作为所述处理模型的第二输出数据的第二无标识图像类型,所述有标识图像和所述第一无标识图像为同源图像对,所述第二无标识图像类型用于表示所述第二无标识图像的图像类型。
12.一种设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至10中任一所述的标识去除方法。
13.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至10任一项所述的标识去除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474563.XA CN111768333A (zh) | 2020-05-29 | 2020-05-29 | 标识去除方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474563.XA CN111768333A (zh) | 2020-05-29 | 2020-05-29 | 标识去除方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111768333A true CN111768333A (zh) | 2020-10-13 |
Family
ID=72720643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474563.XA Pending CN111768333A (zh) | 2020-05-29 | 2020-05-29 | 标识去除方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768333A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784675A (zh) * | 2020-11-25 | 2021-05-11 | 上海芯翌智能科技有限公司 | 目标检测方法及装置、存储介质、终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511478A (zh) * | 2016-02-23 | 2016-04-20 | 百度在线网络技术(北京)有限公司 | 应用于扫地机器人的控制方法、扫地机器人及终端 |
WO2017181923A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法、装置及计算机存储介质 |
CN108805789A (zh) * | 2018-05-29 | 2018-11-13 | 厦门市美亚柏科信息股份有限公司 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
EP3579144A2 (en) * | 2018-09-11 | 2019-12-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Visual perception method, apparatus, device, and medium based on an autonomous vehicle |
CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
CN110929059A (zh) * | 2018-08-30 | 2020-03-27 | 深圳市蓝灯鱼智能科技有限公司 | 图片处理方法和装置、存储介质及电子装置 |
US10616162B1 (en) * | 2015-08-24 | 2020-04-07 | Snap Inc. | Systems devices and methods for automatically selecting an ephemeral message availability |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
-
2020
- 2020-05-29 CN CN202010474563.XA patent/CN111768333A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10616162B1 (en) * | 2015-08-24 | 2020-04-07 | Snap Inc. | Systems devices and methods for automatically selecting an ephemeral message availability |
CN105511478A (zh) * | 2016-02-23 | 2016-04-20 | 百度在线网络技术(北京)有限公司 | 应用于扫地机器人的控制方法、扫地机器人及终端 |
WO2017181923A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法、装置及计算机存储介质 |
CN108805789A (zh) * | 2018-05-29 | 2018-11-13 | 厦门市美亚柏科信息股份有限公司 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
CN110929059A (zh) * | 2018-08-30 | 2020-03-27 | 深圳市蓝灯鱼智能科技有限公司 | 图片处理方法和装置、存储介质及电子装置 |
EP3579144A2 (en) * | 2018-09-11 | 2019-12-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Visual perception method, apparatus, device, and medium based on an autonomous vehicle |
CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
Non-Patent Citations (3)
Title |
---|
孙彦;丁学文;雷雨婷;陈静;孔祥鑫;: "基于SSD_MobileNet_v1网络的猫狗图像识别", 天津职业技术师范大学学报, no. 01, 28 March 2020 (2020-03-28) * |
崔得龙;凌冰;: "可无损恢复的小波域可见数字水印算法", 西藏大学学报(自然科学版), no. 01, 15 May 2008 (2008-05-15) * |
黄建新;: "室外场景下目标分割和目标识别算法", 华侨大学学报(自然科学版), no. 04, 20 October 2005 (2005-10-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784675A (zh) * | 2020-11-25 | 2021-05-11 | 上海芯翌智能科技有限公司 | 目标检测方法及装置、存储介质、终端 |
CN112784675B (zh) * | 2020-11-25 | 2023-06-30 | 上海芯翌智能科技有限公司 | 目标检测方法及装置、存储介质、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN111681273A (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN111626279B (zh) | 一种负样本标注训练方法及高度自动化的票据识别方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN114862845B (zh) | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 | |
CN115131797A (zh) | 一种基于特征增强金字塔网络的场景文本检测方法 | |
CN114972847A (zh) | 图像处理方法及装置 | |
CN111598076B (zh) | 一种标签图像中日期检测处理方法及装置 | |
CN114581646A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
CN114387538A (zh) | 基于YoloX网络的变电站作业现场安全识别方法 | |
CN111768333A (zh) | 标识去除方法、装置、设备及存储介质 | |
CN114693963A (zh) | 基于电力数据特征提取的识别模型训练、识别方法及装置 | |
CN113591850A (zh) | 基于计算机视觉鲁棒性目标检测的两阶段商标检测法 | |
CN117765485A (zh) | 基于改进的深度残差网络的车型识别方法、装置和设备 | |
CN111199199B (zh) | 一种基于自适应上下文区域选取的动作识别方法 | |
CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
CN116645513A (zh) | 水印提取方法、模型训练方法、装置、电子设备及介质 | |
CN115063813B (zh) | 针对文字失真的对齐模型的训练方法及训练装置 | |
CN116188361A (zh) | 一种基于深度学习的铝型材表面缺陷分类方法及装置 | |
CN115063348A (zh) | 一种零件表面缺陷检测方法、装置、设备及介质 | |
CN116823700A (zh) | 一种图像质量的确定方法和装置 | |
CN113298102B (zh) | 一种目标分类模型的训练方法及装置 | |
CN114627293A (zh) | 基于多任务学习的人像抠图方法 | |
CN113034420A (zh) | 一种频率空间域特征的工业产品表面缺陷分割方法及系统 |
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 |