CN112001983B - 生成遮挡图像的方法、装置、计算机设备和存储介质 - Google Patents
生成遮挡图像的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112001983B CN112001983B CN202011184326.6A CN202011184326A CN112001983B CN 112001983 B CN112001983 B CN 112001983B CN 202011184326 A CN202011184326 A CN 202011184326A CN 112001983 B CN112001983 B CN 112001983B
- Authority
- CN
- China
- Prior art keywords
- occlusion
- image
- generation model
- sample image
- trained
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种生成遮挡图像的方法、装置、计算机设备和存储介质,包括:获取原始图像;在原始图像的所选区域上添加随机噪声,形成第一图像;将第一图像输入预先构建的遮挡区域生成模型,使遮挡区域生成模型根据所选区域上添加的随机噪声,将所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像。本申请通过将在原始图像的所选区域上添加随机噪声的图像,输入预先构建的遮挡区域生成模型,得到与原始图像对应的遮挡图像;通过模型大批量生成较为真实的遮挡图像,解决了遮挡图像难以大量获取的问题,提高了遮挡图像获取的效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种生成遮挡图像的方法、装置、计算机设备和存储介质。
背景技术
在ADAS(高级驾驶辅助系统,Advanced Driving Assistance System)系统中,摄像头的正常运行是整个系统正常运行的基础;而在长时间驾驶的过程中,摄像头可能因为灰尘、油污或硬件故障等原因无法采集清晰的道路场景图像。
目前,人们尝试将深度学习技术结合到ADAS系统中,以期能够通过相应的检测模型检测出图像中的遮挡区域并将其消除;但是,检测模型的训练需要依靠大量遮挡图像,而这类图像的获取条件较为苛刻,难以大量获取,导致以这种方式获取遮挡图像的效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种生成遮挡图像的方法、装置、计算机设备和存储介质。
一种生成遮挡图像的方法,所述方法包括:
获取原始图像;
在所述原始图像的所选区域上添加随机噪声,形成第一图像;
将所述第一图像输入预先构建的遮挡区域生成模型,以使所述遮挡区域生成模型根据所述所选区域上添加的所述随机噪声,将所述第一图像的所选区域具有的所述随机噪声转化为相应的遮挡效果并保持所述第一图像的非所选区域不变,得到并输出第二图像;
根据所述遮挡区域生成模型输出的所述第二图像,得到所述原始图像对应的遮挡图像。
在其中一个实施例中,所述在所述原始图像的所选区域上添加随机噪声,形成第一图像之前,所述方法还包括:
随机选取预设掩膜添加至所述原始图像;
根据所述预设掩膜对所述原始图像形成的覆盖区域,确定所述所选区域。
在其中一个实施例中,所述随机选取预设掩膜添加至所述原始图像,包括:
从预设掩膜库中随机选取多个预设掩膜;
基于所述多个预设掩膜,生成掩膜添加序列;
将所述掩膜添加序列中的多个掩膜添加至所述原始图像;
若添加至所述原始图像的所述多个掩膜之间存在重叠区域,则将所述重叠区域按照预设方式进行融合处理;所述预设方式包括取交集融合方式或者取并集融合方式。
在其中一个实施例中,所述将所述第一图像输入预先构建的遮挡区域生成模型之前,所述方法还包括:
获取样本图像集;
基于所述样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建所述遮挡区域生成模型;所述遮挡区域判别网络,用于在模型构建过程中对所述待训练的遮挡区域生成模型输出的图像进行判别。
在其中一个实施例中,所述样本图像集包括原始样本图像以及真实遮挡样本图像;
所述基于所述样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建所述遮挡区域生成模型,包括:
在所述原始样本图像的所选区域上添加随机噪声;
将添加了随机噪声后的所述原始样本图像输入所述待训练的遮挡区域生成模型,触发所述待训练的遮挡区域生成模型将所述随机噪声转化为相应的预测遮挡效果,输出与所述原始样本图像对应的预测遮挡样本图像;
将所述待训练的遮挡区域生成模型输出的所述预测遮挡样本图像输入至所述遮挡区域判别网络,得到所述遮挡区域判别网络输出的关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别预测结果;
基于所述判别预测结果、所述预测遮挡样本图像与所述原始样本图像的非所述所选区域的相似程度以及对所述预测遮挡效果的平滑约束构建待训练的遮挡区域生成模型的第一损失函数;基于所述判别预测结果和判别真实结果的差异程度构建待训练的遮挡区域判别网络的第二损失函数;
基于所述第一损失函数以及所述第二损失函数,交替训练所述待训练的遮挡区域生成模型以及所述遮挡区域判别网络。
在其中一个实施例中,所述基于所述第一损失函数以及所述第二损失函数,交替训练所述待训练的遮挡区域生成模型以及所述遮挡区域判别网络,包括:
根据所述第一损失函数得到的第一损失函数值更新所述待训练的遮挡区域生成模型的模型参数,由所述遮挡区域判别网络对模型参数更新后的所述待训练的遮挡区域生成模型输出的所述预测遮挡样本图像,进行所述关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别结果预测。
在其中一个实施例中,所述方法还包括:根据所述第二损失函数得到的第二损失函数值更新所述遮挡区域判别网络的网络参数;所述第二损失函数值是所述遮挡区域判别网络进行所述关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别结果预测得到的。
一种生成遮挡图像的装置,所述装置包括:
图像获取模块,用于获取原始图像;
噪声添加模块,用于在所述原始图像的所选区域上添加随机噪声,形成第一图像;
噪声转化模块,用于将所述第一图像输入预先构建的遮挡区域生成模型,以使所述遮挡区域生成模型根据所述所选区域上添加的所述随机噪声,将所述第一图像的所选区域具有的所述随机噪声转化为相应的遮挡效果并保持所述第一图像的非所选区域不变,得到并输出第二图像;
图像输出模块,用于根据所述遮挡区域生成模型输出的所述第二图像,得到所述原始图像对应的遮挡图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取原始图像;
在所述原始图像的所选区域上添加随机噪声,形成第一图像;
将所述第一图像输入预先构建的遮挡区域生成模型,以使所述遮挡区域生成模型根据所述所选区域上添加的所述随机噪声,将所述第一图像的所选区域具有的所述随机噪声转化为相应的遮挡效果并保持所述第一图像的非所选区域不变,得到并输出第二图像;
根据所述遮挡区域生成模型输出的所述第二图像,得到所述原始图像对应的遮挡图像。
一种计算机可读存储介质,其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以下步骤:
获取原始图像;
在所述原始图像的所选区域上添加随机噪声,形成第一图像;
将所述第一图像输入预先构建的遮挡区域生成模型,以使所述遮挡区域生成模型根据所述所选区域上添加的所述随机噪声,将所述第一图像的所选区域具有的所述随机噪声转化为相应的遮挡效果并保持所述第一图像的非所选区域不变,得到并输出第二图像;
根据所述遮挡区域生成模型输出的所述第二图像,得到所述原始图像对应的遮挡图像。
上述生成遮挡图像的方法、装置、计算机设备和存储介质,方法包括:获取原始图像;在原始图像的所选区域上添加随机噪声,形成第一图像;将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像。该方案通过将在原始图像的所选区域上添加随机噪声的图像,输入预先构建的遮挡区域生成模型,得到与原始图像对应的遮挡图像;通过模型能够大批量生成较为真实的遮挡图像,遮挡图像又能够用于对修复模型进行训练,解决了遮挡图像难以大量获取导致遮挡图像获取的效率较低的问题,并显著提高了遮挡图像获取的效率。
附图说明
图1为一个实施例中生成遮挡图像的方法的应用环境图;
图2为一个实施例中生成遮挡图像的方法的流程示意图;
图3a为一个实施例中正常图像的示例图;
图3b为一个实施例中遮挡图像的示例图;
图4a为一个实施例中预设掩膜的示例图;
图4b为一个实施例中在所选区域上添加随机噪声后的示例效果图;
图4c为一个实施例中原始图像以及第二图像的对比示例图;
图5a为一个实施例中一组遮挡图像效果示例图;
图5b为一个实施例中另一组遮挡图像效果示例图;
图6为一个实施例中根据预设掩膜对原始图像形成的覆盖区域确定所选区域的步骤的流程示意图;
图7为一个实施例中随机选取预设掩膜添加至原始图像的步骤的流程示意图;
图8为一个实施例中对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练的方法的流程示意图;
图9为一个实施例中构建遮挡区域生成模型的方法的流程示意图;
图10为一个实施例中构建遮挡区域生成模型的流程示意图;
图11为一个实施例中缺少平滑约束生成虚假遮挡纹理的示例效果图;
图12为一个实施例中生成遮挡图像的装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的生成遮挡图像的方法,可以应用于如图1所示的应用环境中。其中,终端11通过网络与服务器12进行通信。服务器12从终端处获取原始图像;服务器12在原始图像的所选区域上添加随机噪声,形成第一图像;服务器12将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;服务器12根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像,并发送至终端11或预设数据库中。原始图像对应的遮挡图像可以用于丰富遮挡图像的数据库,为后续训练以遮挡图像作为训练数据的模型时,例如遮挡修复模型、遮挡识别模型等,提供了大量与真实采集得到的遮挡图像相似的遮挡图像。
其中,终端11可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,还可以但不限于是各种车载设备,例如行车记录仪、车载摄像头、车载监视器、倒车雷达等;服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种生成遮挡图像的方法,以该方法应用于图1中的服务器12为例进行说明,包括以下步骤:
步骤21,获取原始图像。
其中,原始图像的来源如图3a、图3b所示,来源主要分为两类,包括正常图像(如图3a所示)以及遮挡图像(如图3b所示);原始图像是指车辆在正常行驶过程中通过相应摄像设备获取到的能够反映出道路情况或者驾驶员驾驶视野的图像;正常图像是指驾驶员驾驶视野无明显遮挡,不影响驾驶的图像,遮挡图像是指驾驶员驾驶视野受明显遮挡,反映出驾驶员驾驶视野受阻碍情况的图像;原始图像可以是各类车载设备直接获取拍摄获取的图像,也可以从车载设备获取的视频录像文件中多次截取获得的图像。
具体地,服务器可以从预设数据库中直接获取相应原始图像,也可以与车载终端相连,获取车载终端上存储的图片或视频文件;若为视频文件,则对视频文件按帧进行采样,得到能够反映视频整体的图片文件;判断所得图片的尺寸大小、清晰程度等,若尺寸大小或清晰程度达到预设标准,则保留图片,例如将遮挡图像舍弃,保留正常图像;若未达到预设标准,则舍弃该图片。其中,图像的清晰程度可以通过计算图像所包含像素点的个数、大小进行综合判断。最后,将筛选后得到的图像作为原始图像。
将原始图像进行尺寸归一化处理,统一图像的尺寸大小,例如均转换为256×256大小的图像,作为原始图像;需要说明的是,对图像处理的步骤不仅包括筛选和尺寸归一化,还可包括亮度调整、清晰度调整、对比度调整、灰度调整、镜像、锐化等多种图像处理步骤。
本步骤通过多种方式获取图像,并对图像进行多种处理,提高了原始图像种类以及数量的丰富程度。
步骤22,在原始图像的所选区域上添加随机噪声,形成第一图像。
其中,原始图像的所选区域可以通过添加掩膜的方式实现,掩膜存在多种类型,可以随机生成,如图4a所示;掩膜添加后可以确定掩膜所在区域或者非掩膜所在区域作为所选区域,例如可以将图4a中的401-B区域、402-B区域以及403-B区域作为掩膜区域,则401-G区域、402-G区域以及403-G区域为非掩膜区域;反之亦然;掩膜之间可以进行融合操作。
随机噪声是指存在于图像数据中的不必要的或多余的干扰信息,如图4b所示,为在原始图像先叠加掩膜后得到所选区域后,再在所选区域上添加随机噪声后的示例效果,可见在所选区域上添加随机噪声的区域几乎不可见,与原始图像存在较大差异;而非所选区域则保持与原始图像一致,无明显变化。
具体地,服务器首先选取掩膜叠加在所获取的原始图像上,根据掩膜的区域确定出所选区域以及非所选区域;通过随机噪声算法对所选区域进行处理,将随机噪声添加至原始图像的所选区域上,形成图像的一部分为随机噪声,另一部分为原始图像效果的第一图像。
本步骤通过掩膜确定原始图像的所选区域,再添加随机噪声至所选区域上,得到添加了随机噪声的原始图像作为第一图像;随机噪声为后续图像转换提供了随机的初始值,提升了遮挡图像的生成效果。
步骤23,将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像。
其中,预先构建的遮挡区域生成模型能够识别出第一图像中所选区域上添加的随机噪声,并根据随机噪声区域的特征将随机噪声转换为相应的遮挡效果,同时不改变非所选区域的内容;以此得到第二图像。
具体地,可以通过训练GAN网络模型(Generative Adversarial Networks,生成式对抗网络)实现对遮挡区域生成模型的预先构建;预先构建的遮挡区域生成模型能够将输入的第一图像转换为与真实产生的遮挡图像相似的第二图像。由于预先构建的遮挡区域生成模型是将随机噪声转换为相应的遮挡效果,因此得到并输出的第二图像具备不同的遮挡效果;例如图4c所示,分别为输入预先构建的遮挡区域生成模型的原始图像以及预先构建的遮挡区域生成模型输出的第二图像,可见第二图像的上半部分与原始图像具有较高的一致性,而下半部分则添加了遮挡效果。
本步骤通过预先构建的遮挡区域生成模型将随机噪声转化为相应的遮挡效果,实现了对原始图像的转换,解决了遮挡图像难以大量获取的问题,提高了遮挡图像获取的效率。
步骤24,根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像。
具体地,服务器获取遮挡区域生成模型输出的第二图像后,可以根据后续的利用情况,对第二图像进行处理得到原始图像对应的遮挡图像;例如,与原始图像对应的遮挡图像后续是要输入待训练的遮挡区域修复模型中,则根据待训练的遮挡区域修复模型的参数设置对遮挡区域生成模型输出的第二图像进行图像处理、格式处理等操作,将处理后的第二图像作为与原始图像对应的遮挡图像。
参考图5a、图5b,分别为遮挡区域生成模型输出的两组遮挡图像相关示例,两组图像从左至右分别为原始图像5a01及5b02、预设掩膜5a02及5b02以及与原始图像对应的遮挡图像5a03及5b03。可见两组图像中,得到的遮挡图像中的遮挡区域与所选区域的分布位置相对应。
本步骤能够根据后续的利用情况不同对图像进行相应处理,使得输出的图像能够直接被使用,解决了遮挡图像难以大量获取的问题,提高了遮挡图像获取的效率。
上述生成遮挡图像的方法,通过获取原始图像;在原始图像的所选区域上添加随机噪声,形成第一图像;将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像,解决了遮挡图像难以大量获取的问题,提高了遮挡图像获取的效率。
在一个实施例中,如图6所示,在原始图像的所选区域上添加随机噪声,形成第一图像之前,方法还包括:
步骤61,随机选取预设掩膜添加至原始图像;
步骤62,根据预设掩膜对原始图像形成的覆盖区域,确定所选区域。
具体地,预设掩膜可以随机选取一个或多个预设掩膜添加至原始图像上,添加在原始图像上的方式不作具体限制,预设掩膜之间的大小、尺寸可以互不相同,同时预设掩膜与原始图像的大小、尺寸也可以互不相同,预设掩膜添加至原始图像上之间可以设定随机的旋转角度,以达到更佳的随机效果。多个预设掩膜在原始图像上可以相互叠加,之后根据整体叠加结果确定随机掩膜在原始图像上形成的覆盖区域,作为所选区域。
本实施例通过随机选取预设掩膜并将预设掩膜随机添加在原始图像的方式,形成了随机程度较高的覆盖区域,提高了所选区域确定过程的随机性。
在一个实施例中,如图7所示,随机选取预设掩膜添加至原始图像,包括:
步骤71,从预设掩膜库中随机选取多个预设掩膜;
步骤72,基于多个预设掩膜,生成掩膜添加序列;
步骤73,将掩膜添加序列中的多个掩膜添加至原始图像;
步骤74,若添加至原始图像的多个掩膜之间存在重叠区域,则将重叠区域按照预设方式进行融合处理;预设方式包括取交集融合方式或者取并集融合方式。
具体地,预设掩膜库中存储有多个预设掩膜,服务器从预设掩膜库中以随机的方式选取多个预设掩膜,根据选取的预设掩膜生成掩膜添加序列,序列中各个预设掩膜的顺序可以不按照选取的顺序进行排列;序列中的掩膜添加至图像后,图像中可能会存在多个掩膜之间的交叠区域,可以通过取交集或者取并集的方式对交叠区域进行融合处理,取交集融合方式即并保留掩膜之间相互重叠的部分区域,未与其他掩膜产生重叠的区域予以舍弃;取并集融合方式即将重叠区域和未重叠区域均予以保留,在同样的重叠区域下,取并集融合方式所得面积通常大于取交集融合方式。
在另一个实施例中,随机选取预设掩膜添加至原始图像,还包括:从预设掩膜库中随机选取一个预设掩膜;基于所述预设掩膜,生成掩膜添加序列;将掩膜添加序列中的多个掩膜添加至原始图像;若添加至原始图像的多个掩膜之间存在重叠区域,则将重叠区域按照预设方式进行融合处理;预设方式包括取交集融合方式或者取并集融合方式。
具体地,可以从预设数据库中只选取一个预设掩膜并生成掩膜添加序列;可以通过对预设掩膜进行随机拆分、多角度叠加、旋转等多种形式得到多个形状各异的子掩膜,将多个子掩膜随机排列后可以生成掩膜添加序列;其余步骤与上述实施例相同。
在一个实施例中,如图8所示,将第一图像输入预先构建的遮挡区域生成模型之前,方法还包括:
步骤81,获取样本图像集;
步骤82,基于样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建遮挡区域生成模型;遮挡区域判别网络,用于在模型构建过程中对待训练的遮挡区域生成模型输出的图像进行判别。
其中,样本图像集是由真实采集得到的图像所组成的图像集合;遮挡区域生成模型是由神经网络模型训练得到的,所采用的神经网络模型为生成对抗网络(GAN,Generative Adversarial Networks)训练得到的;生成对抗网络通常包括生成网络G和判别网络D,在本申请中生成网络G即为待训练的遮挡区域生成模型,判别网络D即为遮挡区域判别网络。
具体地,定义样本图像集中的正常图像(即不存在遮挡的图像)为Real_A,将样本图像集中的遮挡图像定义为Real_B;则对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练的目的,是使得待训练的遮挡区域生成模型能够将Real_A图像转换为Real_B风格的图像,转换后得到的是与Real_B在结构上相似的Fake_B图像(即根据Real_A图像模拟Real_B风格生成的非真实遮挡图像)。遮挡区域判别网络在联合训练的过程中所起的作用是判别Real_B图像和Fake_B图像;根据判别结果能够使得待训练的遮挡区域生成模型和遮挡区域判别网络在训练过程中相互博弈,促使待训练的遮挡区域生成模型根据Real_A图像生成的Fake_B图像更为逼真,接近真实情况。
本实施例通过对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,利用了生成对抗网络的特性,提高了待训练的遮挡区域生成模型的构建效果。
在一个实施例中,样本图像集包括原始样本图像以及真实遮挡样本图像;如图9所示,基于样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建遮挡区域生成模型,包括:
步骤91,在原始样本图像的所选区域上添加随机噪声。
步骤92,将添加了随机噪声后的原始样本图像输入待训练的遮挡区域生成模型,触发待训练的遮挡区域生成模型将随机噪声转化为相应的预测遮挡效果,输出与原始样本图像对应的预测遮挡样本图像;
步骤93,将待训练的遮挡区域生成模型输出的预测遮挡样本图像输入至遮挡区域判别网络,得到遮挡区域判别网络输出的关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别预测结果;
步骤94,基于判别预测结果、预测遮挡样本图像与原始样本图像的非所选区域的相似程度以及对预测遮挡效果的平滑约束构建待训练的遮挡区域生成模型的第一损失函数;基于判别预测结果和判别真实结果的差异程度构建待训练的遮挡区域判别网络的第二损失函数;
步骤95,基于第一损失函数以及第二损失函数,交替训练待训练的遮挡区域生成模型以及遮挡区域判别网络。
参考图10,本实施例中,首先对原始样本图像进行尺寸调整预处理,预处理后选取预设掩膜叠加至原始样本图像上形成所选区域和非所选区域,并在所选区域上添加随机噪声;接着将加了随机噪声后的原始样本图像输入待训练的遮挡区域生成模型,使得待训练的遮挡区域生成模型输出存在预测遮挡效果的预测遮挡样本图像。
遮挡区域判别网络根据输入的预测遮挡样本图像,结合真实遮挡样本图像对预测遮挡样本图像作出判别,得到关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别预测结果。
得到判别预测结果后,能够分别构建出待训练的遮挡区域生成模型的第一损失函数以及遮挡区域判别网络的第二损失函数。
其中,待训练的遮挡区域生成模型以及遮挡区域判别网络训练的交替训练是指,由待训练的遮挡区域生成模型输出一张遮挡图像去欺骗遮挡区域判别网络,然后由遮挡区域判别网络判断该遮挡图像的真伪。可以理解,对待训练的遮挡区域生成模型,训练的目的在于使得待训练的遮挡区域生成模型输出的预测遮挡样本图像能够达到以假乱真的效果。换而言之,也就是使判遮挡区域判别网络难以辨别预测遮挡样本图像是生成的遮挡样本图像还是真实的遮挡样本图像。
具体地,首先定义待训练的遮挡区域生成模型的一致性评价函数项。一致性评价采用结构相似性函数,即判断预测遮挡样本图像与原始样本图像的非所选区域的相似程度的函数;评价两个像素i, j的相似度的定义如下:
其中,μi和μj分别代表以像素i和j为中心的W×W邻域内的像素均值,σi和σj为W×W邻域内的像素方差,σij为两个图像区域的协方差,c1和c2为两个参数,以保证公式的分母有效。本申请中只计算预测遮挡样本图像的非所选区域与原始样本图像的相似度,即保证非所选区域与原始样本图像的一致性,其对应的损失函数为:
其中,N为M(i)=1的像素数量,M为图像掩膜,图像相似度越高则损失函数越小。
生成对抗网络通常采用最小-最大化(mini-max objective)损失函数,G为生成网络即本申请的待训练的遮挡区域生成模型,D为判别网络即本申请的遮挡区域判别网络;z代表引入的随机噪声;生成网络G的输入是噪声数据z,输出为生成的模拟数据G(z);判别网络D以真实的数据D或生成的数据G(z)作为输入,并判断输入的来源。其目标函数为:
其中,表示生成对抗网络中需要优化的目标函数;表示x服从数据集中的图像分布;E[ ]表示求数学期望;表示z 服从先验分布pz,pz为均匀分布或者高斯分布;log(D(x))中的D表示判别网络D对真实数据x进行真伪判别的概率估计输出,D(G(z))是判别网络D对生成网络G生成图像G(z)进行真伪判别的概率估计输出。
采用交叉熵损失函数训练生成对抗网络存在梯度消失的问题,因此本申请判断函数采用最小二乘函数:
其中,c为遮挡区域判别网络D判定待训练的遮挡区域生成模型G生成的预测遮挡样本图像的目标值。
同时,为了促使预测遮挡效果具备遮挡模糊的特性,在训练待训练的遮挡区域生成模型G的过程中,加入平滑约束函数如下:
其中,M0为预设掩膜,∇x和∇y分别代表x和y方向的梯度算子,N0为M0值为0的像素个数。如图11所示,缺少平滑约束容易生成虚假遮挡纹理,梯度较为明显,不符合遮挡模糊的特征。
综上,与待训练的遮挡区域生成模型G对应的第一损失函数一共由判别预测结果、预测遮挡样本图像与原始样本图像的非所选区域的相似程度以及对预测遮挡效果的平滑约束构建得到,具体如下:
其中,α和β为权重参数,用以平衡三个函数项的影响。
联合训练中,遮挡区域判别网络D同样要进行训练,其训练目的为使得遮挡区域判别网络尽可能区分预测遮挡样本图像与真实遮挡样本图像,以判断出预测遮挡样本图像是否为真实遮挡样本图像所属类。因此,第二损失函数由判别预测结果和判别真实结果的差异程度构建,最小化形式如下:
其中,a代表设定的预测遮挡样本图像的目标值,b代表真实遮挡样本图像的目标值。通过最小化这一损失函数,使遮挡区域判别网络D能够清晰地区分出真实遮挡样本图像和预测遮挡样本图像这两个不同的数据类别,其中预测遮挡样本图像由G生成。
在一个实施例中,基于第一损失函数以及第二损失函数,交替训练待训练的遮挡区域生成模型以及遮挡区域判别网络,包括:根据第一损失函数得到的第一损失函数值更新待训练的遮挡区域生成模型的模型参数,由遮挡区域判别网络对模型参数更新后的待训练的遮挡区域生成模型输出的预测遮挡样本图像,进行关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别结果预测。
其中,第一损失函数值是指用于评价待训练的遮挡区域生成模型预测效果的一个参数,通常第一损失函数值越小,代表待训练的遮挡区域生成模型预测效果越好。
具体地,基于第一损失函数以及第二损失函数,对待训练的遮挡区域生成模型以及遮挡区域判别网络采用交替迭代更新的方式进行训练。由第一损失函数得到的第一损失函数值,用于更新待训练的遮挡区域生成模型的模型参数;每次更新后由遮挡区域判别网络对待训练的遮挡区域生成模型输出的预测遮挡样本图像再次进行判别,根据第二损失函数值更新遮挡区域判别网络模型的参数,提升其判别能力;然后,根据判别结果预测再次更新待训练的遮挡区域生成模型的模型参数,重复该循环训练步骤直至达到待训练的遮挡区域生成模型的预设训练条件,结束条件可以是训练次数达到训练次数阈值,也可以是待训练的遮挡区域生成模型输出的预测遮挡样本图像达到预设的遮挡效果,在此不作限定。
在一个实施例中,基于第一损失函数以及第二损失函数,交替训练待训练的遮挡区域生成模型以及遮挡区域判别网络,还包括:根据第二损失函数得到的第二损失函数值,用于更新遮挡区域判别网络的网络参数;第二损失函数值是遮挡区域判别网络进行关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别结果预测得到的。其中,第二损失函数值是指用于评价遮挡区域判别网络分类效果的一个参数,基于第二损失函数值来调整遮挡区域判别网络的参数,以达到更准确的分类效果。
在新一轮训练遮挡区域判别网络完成后,当前的遮挡区域判别网络相较于更新之前的遮挡区域判别网络,具有更高的判别真伪样本的能力。因此,在固定遮挡区域判别网络参数的同时,再次对遮挡区域生成模型进行训练,以此实现待训练的遮挡区域生成网络与遮挡区域判别网络的交替迭代更新。
在一个实施例中,首先固定待训练的遮挡区域生成模型的模型参数,对遮挡区域判别网络进行训练更新,使得通过训练后的遮挡区域判别网络保持分类能力。在训练完遮挡区域判别网络之后,再对待训练的遮挡区域生成模型进行训练更新,此时遮挡区域判别网络的网络参数固定不变,而仅将待训练的遮挡区域生成模型产生的损失或误差传递给待训练的遮挡区域生成模型,即根据更新后的遮挡区域判别网络的输出得到第一损失函数值,基于第一损失函数值更新待训练的遮挡区域生成模型的模型参数。通过遮挡区域判别网络和待训练的遮挡区域生成模型之间的对抗博弈,使得两个网络模型最终达到稳态。应该理解的是,虽然图2、6-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、6-9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种生成遮挡图像的装置,包括:图像获取模块121、噪声添加模块122、噪声转化模块123和图像输出模块124,其中:
图像获取模块121,用于获取原始图像;
噪声添加模块122,用于在原始图像的所选区域上添加随机噪声,形成第一图像;
噪声转化模块123,用于将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;
图像输出模块124,用于根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像。
在一个实施例中,生成遮挡图像的装置中还包括区域选择模块,用于随机选取预设掩膜添加至原始图像;根据预设掩膜对原始图像形成的覆盖区域,确定所选区域。
在一个实施例中,区域选择模块还用于从预设掩膜库中随机选取多个预设掩膜;基于多个预设掩膜,生成掩膜添加序列;将掩膜添加序列中的多个掩膜添加至原始图像;若添加至原始图像的多个掩膜之间存在重叠区域,则将重叠区域按照预设方式进行融合处理;预设方式包括取交集融合方式或者取并集融合方式。
在一个实施例中,生成遮挡图像的装置中还包括模型构建模块,用于获取样本图像集;基于样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建遮挡区域生成模型;遮挡区域判别网络,用于在模型构建过程中对待训练的遮挡区域生成模型输出的图像进行判别。
在一个实施例中,样本图像集包括原始样本图像以及真实遮挡样本图像;模型构建模块还用于在原始样本图像的所选区域上添加随机噪声;将添加了随机噪声后的原始样本图像输入待训练的遮挡区域生成模型,触发待训练的遮挡区域生成模型将随机噪声转化为相应的预测遮挡效果,输出与原始样本图像对应的预测遮挡样本图像;将待训练的遮挡区域生成模型输出的预测遮挡样本图像输入至遮挡区域判别网络,得到遮挡区域判别网络输出的关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别预测结果;基于判别预测结果、预测遮挡样本图像与原始样本图像的非所选区域的相似程度以及对预测遮挡效果的平滑约束构建待训练的遮挡区域生成模型的第一损失函数;基于判别预测结果和判别真实结果的差异程度构建待训练的遮挡区域判别网络的第二损失函数;基于第一损失函数以及第二损失函数,交替训练待训练的遮挡区域生成模型以及遮挡区域判别网络。
在一个实施例中,模型构建模块还用于根据第一损失函数得到的第一损失函数值更新待训练的遮挡区域生成模型的模型参数,由遮挡区域判别网络对模型参数更新后的待训练的遮挡区域生成模型输出的预测遮挡样本图像,进行关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别结果预测。
在一个实施例中,模型构建模块还用于根据第二损失函数得到的第二损失函数值更新遮挡区域判别网络的网络参数;第二损失函数值是遮挡区域判别网络进行关于预测遮挡样本图像是否为真实遮挡样本图像所属类的判别结果预测得到的。
关于生成遮挡图像的装置的具体限定可以参见上文中对于生成遮挡图像的方法的限定,在此不再赘述。上述生成遮挡图像的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储生成遮挡图像的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种生成遮挡图像的方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取原始图像;
在原始图像的所选区域上添加随机噪声,形成第一图像;
将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;
根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取原始图像;
在原始图像的所选区域上添加随机噪声,形成第一图像;
将第一图像输入预先构建的遮挡区域生成模型,以使遮挡区域生成模型根据所选区域上添加的随机噪声,将第一图像的所选区域具有的随机噪声转化为相应的遮挡效果并保持第一图像的非所选区域不变,得到并输出第二图像;
根据遮挡区域生成模型输出的第二图像,得到原始图像对应的遮挡图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种生成遮挡图像的方法,其特征在于,所述方法包括:
获取原始图像;
在所述原始图像的所选区域上添加随机噪声,形成第一图像;
将所述第一图像输入预先构建的遮挡区域生成模型,以使所述遮挡区域生成模型根据所述所选区域上添加的所述随机噪声,将所述第一图像的所选区域具有的所述随机噪声转化为相应的遮挡效果并保持所述第一图像的非所选区域不变,得到并输出第二图像;
根据所述遮挡区域生成模型输出的所述第二图像,得到所述原始图像对应的遮挡图像;
所述将所述第一图像输入预先构建的遮挡区域生成模型之前,所述方法还包括:
获取样本图像集;
基于所述样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建所述遮挡区域生成模型;所述遮挡区域判别网络,用于在模型构建过程中对所述待训练的遮挡区域生成模型输出的图像进行判别;
所述样本图像集包括原始样本图像以及真实遮挡样本图像;
所述基于所述样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建所述遮挡区域生成模型,包括:
在所述原始样本图像的所选区域上添加随机噪声;
将添加了随机噪声后的所述原始样本图像输入所述待训练的遮挡区域生成模型,触发所述待训练的遮挡区域生成模型将所述随机噪声转化为相应的预测遮挡效果,输出与所述原始样本图像对应的预测遮挡样本图像;
将所述待训练的遮挡区域生成模型输出的所述预测遮挡样本图像输入至所述遮挡区域判别网络,得到所述遮挡区域判别网络输出的关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别预测结果;
基于所述判别预测结果、所述预测遮挡样本图像与所述原始样本图像的非所述所选区域的相似程度以及对所述预测遮挡效果的平滑约束构建待训练的遮挡区域生成模型的第一损失函数;基于所述判别预测结果和判别真实结果的差异程度构建待训练的遮挡区域判别网络的第二损失函数;
基于所述第一损失函数以及所述第二损失函数,交替训练所述待训练的遮挡区域生成模型以及所述遮挡区域判别网络。
2.根据权利要求1所述的方法,其特征在于,所述在所述原始图像的所选区域上添加随机噪声,形成第一图像之前,所述方法还包括:
随机选取预设掩膜添加至所述原始图像;
根据所述预设掩膜对所述原始图像形成的覆盖区域,确定所述所选区域。
3.根据权利要求2所述的方法,其特征在于,所述随机选取预设掩膜添加至所述原始图像,包括:
从预设掩膜库中随机选取多个预设掩膜;
基于所述多个预设掩膜,生成掩膜添加序列;
将所述掩膜添加序列中的多个掩膜添加至所述原始图像;
若添加至所述原始图像的所述多个掩膜之间存在重叠区域,则将所述重叠区域按照预设方式进行融合处理;所述预设方式包括取交集融合方式或者取并集融合方式。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一损失函数以及所述第二损失函数,交替训练所述待训练的遮挡区域生成模型以及所述遮挡区域判别网络,包括:
根据所述第一损失函数得到的第一损失函数值更新所述待训练的遮挡区域生成模型的模型参数,由所述遮挡区域判别网络对模型参数更新后的所述待训练的遮挡区域生成模型输出的所述预测遮挡样本图像,进行所述关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别结果预测。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述第二损失函数得到的第二损失函数值更新所述遮挡区域判别网络的网络参数;所述第二损失函数值是所述遮挡区域判别网络进行所述关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别结果预测得到的。
6.一种生成遮挡图像的装置,其特征在于,所述装置包括:
图像获取模块,用于获取原始图像;
噪声添加模块,用于在所述原始图像的所选区域上添加随机噪声,形成第一图像;
噪声转化模块,用于将所述第一图像输入预先构建的遮挡区域生成模型,以使所述遮挡区域生成模型根据所述所选区域上添加的所述随机噪声,将所述第一图像的所选区域具有的所述随机噪声转化为相应的遮挡效果并保持所述第一图像的非所选区域不变,得到并输出第二图像;
图像输出模块,用于根据所述遮挡区域生成模型输出的所述第二图像,得到所述原始图像对应的遮挡图像;
模型构建模块,用于获取样本图像集;基于所述样本图像集,对待训练的遮挡区域生成模型以及遮挡区域判别网络进行联合训练,构建所述遮挡区域生成模型;所述遮挡区域判别网络,用于在模型构建过程中对所述待训练的遮挡区域生成模型输出的图像进行判别;所述样本图像集包括原始样本图像以及真实遮挡样本图像;
所述模型构建模块,还用于在所述原始样本图像的所选区域上添加随机噪声;将添加了随机噪声后的所述原始样本图像输入所述待训练的遮挡区域生成模型,触发所述待训练的遮挡区域生成模型将所述随机噪声转化为相应的预测遮挡效果,输出与所述原始样本图像对应的预测遮挡样本图像;将所述待训练的遮挡区域生成模型输出的所述预测遮挡样本图像输入至所述遮挡区域判别网络,得到所述遮挡区域判别网络输出的关于所述预测遮挡样本图像是否为所述真实遮挡样本图像所属类的判别预测结果;基于所述判别预测结果、所述预测遮挡样本图像与所述原始样本图像的非所述所选区域的相似程度以及对所述预测遮挡效果的平滑约束构建待训练的遮挡区域生成模型的第一损失函数;基于所述判别预测结果和判别真实结果的差异程度构建待训练的遮挡区域判别网络的第二损失函数;基于所述第一损失函数以及所述第二损失函数,交替训练所述待训练的遮挡区域生成模型以及所述遮挡区域判别网络。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括区域选择模块,用于随机选取预设掩膜添加至所述原始图像;根据所述预设掩膜对所述原始图像形成的覆盖区域,确定所述所选区域。
8.根据权利要求7所述的装置,其特征在于,所述区域选择模块还用于从预设掩膜库中随机选取多个预设掩膜;基于所述多个预设掩膜,生成掩膜添加序列;将所述掩膜添加序列中的多个掩膜添加至所述原始图像;若添加至所述原始图像的所述多个掩膜之间存在重叠区域,则将所述重叠区域按照预设方式进行融合处理;所述预设方式包括取交集融合方式或者取并集融合方式。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184326.6A CN112001983B (zh) | 2020-10-30 | 2020-10-30 | 生成遮挡图像的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184326.6A CN112001983B (zh) | 2020-10-30 | 2020-10-30 | 生成遮挡图像的方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001983A CN112001983A (zh) | 2020-11-27 |
CN112001983B true CN112001983B (zh) | 2021-02-09 |
Family
ID=73475261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011184326.6A Active CN112001983B (zh) | 2020-10-30 | 2020-10-30 | 生成遮挡图像的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001983B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435358B (zh) * | 2021-06-30 | 2023-08-11 | 北京百度网讯科技有限公司 | 用于训练模型的样本生成方法、装置、设备、程序产品 |
CN113486377A (zh) * | 2021-07-22 | 2021-10-08 | 维沃移动通信(杭州)有限公司 | 图像加密方法、装置、电子设备和可读存储介质 |
CN115393183B (zh) * | 2022-10-28 | 2023-02-07 | 腾讯科技(深圳)有限公司 | 图像编辑方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003253A (zh) * | 2017-05-24 | 2018-12-14 | 通用电气公司 | 神经网络点云生成系统 |
-
2020
- 2020-10-30 CN CN202011184326.6A patent/CN112001983B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003253A (zh) * | 2017-05-24 | 2018-12-14 | 通用电气公司 | 神经网络点云生成系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112001983A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001983B (zh) | 生成遮挡图像的方法、装置、计算机设备和存储介质 | |
WO2021017261A1 (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN110765860A (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN111611873A (zh) | 人脸替换检测方法及装置、电子设备、计算机存储介质 | |
CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN112784810A (zh) | 手势识别方法、装置、计算机设备和存储介质 | |
CN110210543B (zh) | 图像分类系统、方法、设备和存储介质 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN110956628B (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
CN113706564A (zh) | 基于多种监督方式的睑板腺分割网络的训练方法及装置 | |
CN111401387A (zh) | 异常样本构建方法、装置、计算机设备和存储介质 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN115909172A (zh) | 深度伪造视频检测分割识别系统、终端及存储介质 | |
CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111340025A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
Kim et al. | Generalized facial manipulation detection with edge region feature extraction | |
CN111803956B (zh) | 游戏外挂行为的确定方法、装置、电子设备及存储介质 | |
CN116612355A (zh) | 人脸伪造识别模型训练方法和装置、人脸识别方法和装置 | |
CN115249358A (zh) | 一种巨噬细胞内碳颗粒定量检测方法及系统、计算机设备 | |
CN113674383A (zh) | 生成文本图像的方法及装置 | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN113130028A (zh) | 基于区块链的医疗电子病历信息管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000 Patentee after: Shenzhen Youjia Innovation Technology Co.,Ltd. Address before: 518051 1101, west block, Skyworth semiconductor design building, 18 Gaoxin South 4th Road, Gaoxin community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |