CN112562069A - 三维模型的构造方法、装置、设备和存储介质 - Google Patents
三维模型的构造方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112562069A CN112562069A CN202011555901.9A CN202011555901A CN112562069A CN 112562069 A CN112562069 A CN 112562069A CN 202011555901 A CN202011555901 A CN 202011555901A CN 112562069 A CN112562069 A CN 112562069A
- Authority
- CN
- China
- Prior art keywords
- loss
- neural network
- face
- dimensional
- target
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 183
- 238000013528 artificial neural network Methods 0.000 claims abstract description 166
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Abstract
本公开公开了一种三维模型的构造方法、装置、设备和存储介质,涉及增强现实、深度学习、计算机视觉技术领域。具体实现方案为:分别根据多个损失函数,计算预设的初始神经网络与每个损失函数对应的初始损失值;根据初始损失值调整初始神经网络的网络参数,以获取与每个损失函数对应的候选神经网络;根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,并根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数;根据目标损失函数训练初始神经网络得到目标神经网络,以便于根据目标神经网络构建三维模型。由此,提高了三维模型的精度和训练效率,以便于提高对人脸三维建模的准确度。
Description
技术领域
本公开涉及增强现实、深度学习、计算机视觉技术领域,尤其涉及一种三维模型的构造方法、装置、设备和存储介质。
背景技术
人脸稠密关键点检测技术是指通过2D人脸图像,输出3D人脸顶点位置坐标。通过建立2D人脸稀疏关键点和3D顶点之间的联系,进行先验约束。分为两种方法,传统三维人脸重建技术和深度学习三维人脸重建技术。
目前主流方法是基于深度学习的方式,又分为两种方法:一种是基于人脸重建模型(3D Morphable Models,3DMM)的方法在这几年很盛行,精度高但耗时长;另一种方法是完全基于卷积神经网络(CNN)回归的端到端的通用模型,精度低但耗时短。
发明内容
本公开提供了一种三维模型的构造方法、装置、设备和存储介质。
根据本公开的一方面,提供了一种三维模型的构造方法,包括:
分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值;
根据所述初始损失值调整所述初始神经网络的网络参数,以获取与每个所述损失函数对应的候选神经网络;
根据每个所述候选神经网络和对应的损失函数,计算每个所述候选神经网络的参考损失值,并根据每个所述候选神经网络的参考损失值和初始损失值,在所述多个损失函数中确定目标损失函数;
根据所述目标损失函数训练所述初始神经网络得到目标神经网络,以便于根据所述目标神经网络构建三维模型。
根据本公开的另一方面,提供了一种三维模型的构造装置,包括:
第一计算模块,用于分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值;
第一获取模块,用于根据所述初始损失值调整所述初始神经网络的网络参数,以获取与每个所述损失函数对应的候选神经网络;
第二计算模块,用于根据每个所述候选神经网络和对应的损失函数,计算每个所述候选神经网络的参考损失值,并根据每个所述候选神经网络的参考损失值和初始损失值,在所述多个损失函数中确定目标损失函数;
训练模块,用于根据所述目标损失函数训练所述初始神经网络得到目标神经网络,以便于根据所述目标神经网络构建三维模型。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面实施例所描述的三维模型的构造方法。
根据本公开的还一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述第一方面实施例所描述的三维模型的构造方法。
根据本公开的再一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述第一方面实施例所描述的三维模型的构造方法。
本公开的实施例,至少具有如下附加的技术效果:
分别根据多个损失函数,计算预设的初始神经网络与每个损失函数对应的初始损失值,根据初始损失值调整初始神经网络的网络参数,以获取与每个损失函数对应的候选神经网络,进而,根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,并根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数,最后,根据目标损失函数训练初始神经网络得到目标神经网络,以便于根据目标神经网络构建三维模型。由此,动态选择最优的损失函数训练神经网络,提高了神经网络训练精度和训练效率,保证了三维模型构建三维模型的精度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的三维模型的构造方法的流程示意图;
图2是根据本公开第二实施例的三维模型的构造场景示意图;
图3是根据本公开第三实施例的三维模型的构造场景示意图;
图4是根据本公开第四实施例的三维模型的构造场景示意图;
图5是根据本公开第五实施例的三维模型的构造方法的流程示意图;
图6是根据本公开第六实施例的三维模型的构造方法的流程示意图;
图7是根据本公开第七实施例的三维模型的构造场景示意图;
图8是根据本公开第八实施例的三维模型的构造场景示意图;
图9是根据本公开第九实施例的三维模型的构造装置的结构示意图;
图10是根据本公开第十实施例的三维模型的构造装置的结构示意图;
图11是根据本公开第十一实施例的三维模型的构造装置的结构示意图;
图12是用来实现本公开实施例的三维模型的构造方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
正如背景技术中所提到的,目前人脸稠密关键点检测普遍采用如下两种方案来解决:
(1)基于3DMM的方法。输入2D图像,经过一个CNN预测3DMM模型系数,代入3DMM模型计算3D人脸顶点坐标。3DMM通过人脸几何形状、人脸纹理、人脸表情等特征参数,在一个基础人脸模型上进行调整,重建新人脸。以3DMM-CNN方法为代表,这是个非常简单的回归模型,他使用残差网络直接回归出3DMM的形状系数和纹理系数,最后代入3DMM模型输出3D顶点坐标。
(2)基于端到端的通用模型。即使用CNN直接从2D人脸图像回归3D人脸顶点,不再回归3DMM的系数。有很多成功的案例,以PRnet为例,它利用像素坐标系(UV)位置图来描述3D形状,在一些应用场景中,在模型中有53490个人脸顶点坐标,选择一个尺寸为256*256*3的图像对其进行编码,像素数目256*256=65536,大于且接近于53490,这个图被称为UV位置图,三个通道分别记录了X、Y、Z三维位置信息,实现了直接从2D人脸图回归3D人脸顶点的任务。
然而,上述方式(1)中,通过3DMM模型充分利用2D信息构建3D人脸,精度高,但是耗时长。上述方式(2)中,从2D图像直接回归3D顶点实现了端到端的训练,但是2D图像缺失3D信息,有一个维度会缺失约束,造成病态问题,回归出的3D顶点坐标精度低,但是耗时较短。
为了解决上述技术问题,本公开提出一种兼顾速度和准确性的人脸稠密关键点检测网络。
在模型的训练阶段,如图1所示,三维模型的构造方法,包括:
在步骤101中,分别根据多个损失函数,计算预设的初始神经网络与每个损失函数对应的初始损失值。
其中,多个损失函数可以包括顶点距离代价函数(Vertex Distance Cost,VDC)、代价函数(Weight Param Distance Cost,WPDC)、0-1损失函数等中的多个。
在本实施例中,提供了一种对损失函数的择优方式,选择对于预设的初始神经网络来说训练性能最好的损失函数进行训练。其中,初始神经网络可以包括轻量级神经网络模型Mobilenet、残差网络等。
需要说明的是,在本实施例中,计算预设的初始神经网络与每个损失函数对应的初始损失值,以便于进一步分析每个损失函数的训练性能。
在步骤102中,根据初始损失值调整初始神经网络的网络参数,以获取与每个损失函数对应的候选神经网络。
在本实施例中,根据初始损失值调整初始神经网络的网络参数,该网络参数可以包括神经元数量、卷积核数量等,具体网络参数如何根据初始损失值的调节可以有现有技术中的深度学习技术实现,在此不作赘述。
在本实施例中,根据初始损失值调整初始神经网络的网络参数,以获取与每个损失函数对应的候选神经网络。其中,每个候选神经网络可以理解为根据每个损失函数第一次优化得到的神经网络。
在步骤103中,根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,并根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数。
在本实施中,根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,该参考损失值即为根据对应的损失函数优化初始神经网络后,损失值的体现值,因此,可以根据每个候选神经网络的参考损失值和初始损失值确定每个损失函数的对初始神经网络的优化性能,从而,在多个损失函数中确定目标损失函数,该目标损失函数必然是优化性能较好的损失函数。
在步骤104中,根据目标损失函数训练初始神经网络得到目标神经网络,以便于根据目标神经网络构建三维模型。
在选择出目标损失函数之后,可以根据目标损失函数训练初始神经网络得到目标神经网络,以便于根据目标神经网络构建三维模型。由于目标神经网络是选择性能较优的损失函数训练得到的,因此,目标神经网络构建三维模型的构建模型的精度更好。
在本实施例中,在根据目标损失函数训练初始神经网络得到目标神经网络时,可以通过多批样本图像分批次输入到初始神经网络进行多次训练,根据目标损失函数计算每次训练后的损失值,根据该损失值逐步优化初始神经网络的网络参数,从而,训练完毕后的目标神经网络的精度较高。
综上,本公开实施例的三维模型的构造方法,分别根据多个损失函数,计算预设的初始神经网络与每个损失函数对应的初始损失值,根据初始损失值调整初始神经网络的网络参数,以获取与每个损失函数对应的候选神经网络,进而,根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,并根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数,最后,根据目标损失函数训练初始神经网络得到目标神经网络,以便于根据目标神经网络构建三维模型。由此,动态选择最优的损失函数训练神经网络,提高了神经网络训练精度和训练效率,保证了三维模型构建三维模型的精度。
在不同的应用场景中,分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值方式不同,下面结合第一损失函数和第二损失函数为例来示例说明,其中,第一损失函数可以理解为VDC算法,第二损失函数可以理解为WPDC算法。
在本公开的一些可能的实施例中,可以直接根据初始神经网络输出的与样本图像对应的softmax分类结果,基于损失函数将softmax分类结果与预先标注的样本图像的标准分类结果进行比对,确定对应的初始损失值。其中,softmax分类结果包括样本图像中每个像素点的像素语义类型等。
在本公开的另一些可能的实施例中,如图2所示,将初始神经网络的全连接层与其他的三维神经网络模型连接起来,图2中的三维神经网络模型为预设人脸重建模型,即3MM模型,根据预设损失函数对3MM模型输出的三维顶点坐标和样本人脸图像的标准顶点坐标,计算得到对应的初始损失值。
举例而言,当损失函数为上述提到的第一损失函数时,则如图3所示,将样本人脸图像输入预设的初始轻量级神经网络以获取第一样本人脸特征,将第一样本人脸特征输入预设人脸重建模型,获取第一样本三维顶点坐标,根据第一样本三维顶点坐标和样本人脸图像的预设标准三维顶点坐标,计算第一损失函数对应的初始损失值,比如,根据第一样本三维顶点坐标和样本人脸图像的预设标准三维顶点坐标之间的平均坐标差确定初始损失值等。
举例而言,当损失函数为上述提到的第二损失函数时,则如图4所示,根据第一样本人脸特征确定第一样本人脸三维系数,并根据第一样本人脸三维系数提取与预设的多维的人脸系数对应的多个第一权重值,其中,第一样本人脸三维系数包括多维度的人脸系数,比如,纹理维度的人脸系数、形状维度的人脸系数等,权重值表示在各个维度的人脸系数对应的权重值,本公开的实施例中,直接根据该第一样本人脸三维系数提取与预设的多维的人脸系数对应的多个第一权重值,将多个第一权重值输入预设人脸重建模型,以获取与第二损失函数对应的第二样本三维顶点坐标,根据第二样本三维顶点坐标和预设标准三维顶点坐标,计算第二损失函数对应的初始损失值,比如,根据第一样本三维顶点坐标和样本人脸图像的预设标准三维顶点坐标之间的平均坐标差确定初始损失值等。
进一步的,计算候选神经网络的参考损失值的方式也可以与上述两种示例相同的方式相同的计算方式,当预设的损失函数包括上述的第一损失函数和第二损失函数时,也可以参照上述示例二中的计算方式计算参考损失值。
在一些可能的实施例中,如图5所示,根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,包括:
在步骤501中,将样本人脸图像输入对应的候选神经网络以获取第二样本人脸特征。
在本实施例中,将样本人脸图像输入对应的候选神经网络以获取第二样本人脸特征,其中,为了更好的确定损失函数的训练优化性能,每个损失函数对应的样本人脸图像是相同的,候选神经网络对应的样本人脸图像和初始神经网络对应的样本人脸图像可以相同也可以不同。
在步骤502中,将第二样本人脸特征输入预设人脸重建模型,获取第三样本三维顶点坐标。
在步骤503中,根据第三样本三维顶点坐标和预设标准三维顶点坐标,计算第一损失函数对应的参考损失值。
在本实施例中,与初始损失值的计算方式相同,根据第三样本三维顶点坐标和预设标准三维顶点坐标,计算第一损失函数对应的参考损失值。
在另一些可能的实施例中,如图6所示,根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,包括:
在步骤601中,将样本人脸图像输入对应的候选神经网络以获取第三样本人脸特征。
在本实施例中,将样本人脸图像输入对应的候选神经网络以获取第二样本人脸特征,其中,为了更好的确定损失函数的训练优化性能,每个损失函数对应的样本人脸图像是相同的,候选神经网络对应的样本人脸图像和初始神经网络对应的样本人脸图像可以相同也可以不同。
在步骤602中,根据第三样本人脸特征确定第二样本人脸三维系数,并根据第二样本人脸三维系数提取与预设的多维的人脸系数对应的多个第二权重值。
在本实施例中,根据第三样本人脸特征确定第二样本人脸三维系数,第二样本人脸三维系数可以是根据第三样本人脸特征深度学习得到的,该深度学习的操作对象可以是深度学习模型,即将第三样本人脸特征输入到深度学习模型,即可得到第二样本人脸三维系数。
可以在第二样本人脸三维系数中,拆分出权重矩阵和预设的多维的人脸系数矩阵,根据权重矩阵得到对应的多个第二权重值。
在步骤603中,将多个第二权重值输入预设人脸重建模型,以获取与第二损失函数对应的第四样本三维顶点坐标。
在本实施例中,将多个第二权重值输入预设人脸重建模型,以获取与第二损失函数对应的第四样本三维顶点坐标,该第四样本三维顶点坐标用于限定三维模型的形状等。
在步骤604中,根据第四样本三维顶点坐标和预设标准三维顶点坐标,计算第二损失函数对应的参考损失值。
在本实施例中,与初始损失值的计算方式相同,根据第四样本三维顶点坐标和预设标准三维顶点坐标,计算第二损失函数对应的参考损失值,
进一步的,根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数,其中,在不同的应用场景中,根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数的方式不同,示例如下:
示例一:
在本示例中,计算每个候选神经网络的初始损失值与参考损失值的损失差值,确定损失差值最大值对应的损失函数为目标损失函数。
在本实施例中,当存在多个相同的最大损失差值的损失函数时,可以根据样本人脸图像计算得到第二次优化后的参考损失值,再次计算这一次优化后的参考损失值和初始损失值的损失差值,根据该次优化后的损失差值确定损失差值最大值对应的损失函数为目标损失函数。
当进行预设次优化后,每一次优化后的都存在多个相同的最大损失差值的损失函数,则可以随机在对应的损失函数中选择一个作为目标损失函数。
示例二:
在本示例中,对每个候选神经网络参考损失值按照由小到大的顺序排序,根据该排序结果选择前预设个数的候选损失函数,之后计算每个候选损失函数的初始损失值和参考损失值的损失差值,确定损失差值最大值对应的损失函数为目标损失函数。
综上,本公开实施例的三维模型的构造方法,灵活采用多种方式训练得到对应的神经网络,保证神经网络的鲁棒性,提高三维模型的构建精度。
在实际执行过程中,为了进一步提升回归精度,添加2D人脸关键点(2D-landmarks)辅助训练网络,由于2D人脸图像作为网络输入,包含的是2D信息,直接回归3D信息会有缺失,而回归2D人脸关键点更直接更精确,因此回归2D人脸关键点可以作为辅助网络提高3D信息的回归精度。该分支在预测阶段可以直接删除,所以不会加大网络的耗时。
在本公开的一个实施例中,参照图7,在一些可能的示例中,获取样本人脸图片对应的标准人脸关键点,在计算预设的初始神经网络与每个损失函数对应的初始损失值之前,将第一样本人脸特征输入预设的人脸关键点识别模型,获取样本人脸关键点,其中,预设的人脸关键点识别模型可以为上述2D-landmarks,计算样本人脸关键点和标准人脸关键点的关键点损失值,其中,该损失值可以基于L2Loss损失函数计算得到,进而,根据关键点损失值调整初始神经网络的网络参数,直至关键点损失值小于预设阈值。
综上,本公开实施例的三维模型的构造方法,回归2D人脸关键点可以作为辅助网络提高3D信息的回归精度,进一步提高三维模型的构架精度,提高了目标神经网络的训练效率。
为了使得本领域的技术人员,更加清楚的了解本公开实施例的三维模型的构造方法,下面结合具体的应用场景进行说明。
在本公开的一个实施例中,如图8所示,构建三维模型的过程由目标神经网络和预设人脸重建模型组成,其中,目标神经网络的全连接层将二维人脸图像的人脸特征计算得到三维系数后,输入到预设人脸重建模型的输入端,通过预设人脸重建模型输出的目标三维顶点坐标,构建目标三维模型。比如,根据目标三维顶点坐标和调整预设的标准三维模型的顶点坐标,得到对应的目标三维模型。
在本实施例中,获取目标人脸图像,将目标人脸图像输入目标神经网络,获取目标人脸特征,根据目标人脸特征确定目标人脸三维系数,并根据目标三维系数提取与预设的多维的人脸系数对应的多个目标权重值,进而,将多个目标权重值输入预设人脸重建模型,以获取与目标三维顶点坐标,根据目标三维顶点坐标构建目标三维模型,在计算机视觉方面实现了一种快速的三维模型的构建方法。
综上,本公开实施的三维模型的构造方法,将目标神经网络与预设人脸重建模型结合,其中,目标神经网络可以是Mobilenet,以Mobilenet作为骨干网络,过先降维,再进行卷积操作,最后升维,实现了大大减少网络参数量,在保证准确性的同时,大大降低了耗时。
为了实现上述实施例,本公开还提出了一种三维模型的构造装置。图9是根据本公开一个实施例的三维模型的构造装置的结构示意图,如图9所示,该三维模型的构造装置包括:第一计算模块910、第一获取模块920、第二计算模块930、训练模块940,其中,
第一计算模块910,用于分别根据多个损失函数,计算预设的初始神经网络与每个损失函数对应的初始损失值;
第一获取模块920,用于根据初始损失值调整初始神经网络的网络参数,以获取与每个损失函数对应的候选神经网络;
第二计算模块930,用于根据每个候选神经网络和对应的损失函数,计算每个候选神经网络的参考损失值,并根据每个候选神经网络的参考损失值和初始损失值,在多个损失函数中确定目标损失函数;
训练模块940,用于根据目标损失函数训练初始神经网络得到目标神经网络,以便于根据目标神经网络构建三维模型。
需要说明的是,前述对三维模型的构造方法的解释说明,也适用于本公开实施例的三维模型的构造装置,其实现原理类似,在此不再赘述。
在本公开的一个实施例中,当损失函数包括第一损失函数时,第一计算模块910,具体用于:
将样本人脸图像输入预设的初始轻量级神经网络以获取第一样本人脸特征;
将第一样本人脸特征输入预设人脸重建模型,获取第一样本三维顶点坐标;
根据第一样本三维顶点坐标和样本人脸图像的预设标准三维顶点坐标,计算第一损失函数对应的初始损失值。
在本公开的一个实施例中,当损失函数包括第二损失函数时,第一计算模块910,具体用于:
根据第一样本人脸特征确定第一样本人脸三维系数,并根据第一样本人脸三维系数提取与预设的多维的人脸系数对应的多个第一权重值;
将多个第一权重值输入预设人脸重建模型,以获取与第二损失函数对应的第二样本三维顶点坐标;
根据第二样本三维顶点坐标和预设标准三维顶点坐标,计算第二损失函数对应的初始损失值。
在本公开的一个实施例中,第二计算模块930,具体用于:
将样本人脸图像输入对应的候选神经网络以获取第二样本人脸特征;
将第二样本人脸特征输入预设人脸重建模型,获取第三样本三维顶点坐标;
根据第三样本三维顶点坐标和预设标准三维顶点坐标,计算第一损失函数对应的参考损失值。
在本公开的一个实施例中,第二计算模块930,具体用于:将样本人脸图像输入对应的候选神经网络以获取第三样本人脸特征;
根据第三样本人脸特征确定第二样本人脸三维系数,并根据第二样本人脸三维系数提取与预设的多维的人脸系数对应的多个第二权重值;
将多个第二权重值输入预设人脸重建模型,以获取与第二损失函数对应的第四样本三维顶点坐标;
根据第四样本三维顶点坐标和预设标准三维顶点坐标,计算第二损失函数对应的参考损失值。
在本公开的一个实施例中,第二计算模块930,具体用于:
计算每个候选神经网络的初始损失值与参考损失值的损失差值;
确定损失差值最大值对应的损失函数为目标损失函数。
需要说明的是,前述对三维模型的构造方法的解释说明,也适用于本公开实施例的三维模型的构造装置,其实现原理类似,在此不再赘述。
在本公开的一个实施例中,如图10所示,三维模型的构造装置包括:第一计算模块1010、第一获取模块1020、第二计算模块1030、训练模块1040、第二获取模块1050、提取模块1060、第三获取模块1070、构建模块1080,其中,第一计算模块1010、第一获取模块1020、第二计算模块1030、训练模块1040和上述图9中的第一计算模块910、第一获取模块920、第二计算模块930、训练模块940相同,在此不再赘述。
第二获取模块1050,用于获取目标人脸图像,将目标人脸图像输入目标神经网络,以获取目标人脸特征;
提取模块1060,用于根据目标人脸特征确定目标人脸三维系数,并根据目标三维系数提取与预设的多维的人脸系数对应的多个目标权重值;
第三获取模块1070,用于将多个目标权重值输入预设人脸重建模型,以获取与目标三维顶点坐标;
构建模块1080,用于根据目标三维顶点坐标构建目标三维模型。
需要说明的是,前述对三维模型的构造方法的解释说明,也适用于本公开实施例的三维模型的构造装置,其实现原理类似,在此不再赘述。
在本公开的一个实施例中,如图11所示,三维模型的构造装置包括:第一计算模块1110、第一获取模块1120、第二计算模块1130、训练模块1140、第四获取模块1150、第五获取模块1160、第三计算模块1170、调整模块1180,其中,第一计算模块1110、第一获取模块1120、第二计算模块1130、训练模块1140,和上述图9中的第一计算模块910、第一获取模块920、第二计算模块930、训练模块940相同,在此不再赘述。
第四获取模块1150,用于获取样本人脸图片对应的标准人脸关键点;
第五获取模块1160,用于将第一样本人脸特征输入预设的人脸关键点识别模型,获取样本人脸关键点;
第三计算模块1170,用于计算样本人脸关键点和标准人脸关键点的关键点损失值;
调整模块1180,用于根据关键点损失值调整初始神经网络的网络参数,直至关键点损失值小于预设阈值。
需要说明的是,前述对三维模型的构造方法的解释说明,也适用于本公开实施例的三维模型的构造装置,其实现原理类似,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元12012加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元12012,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如方法三维模型的构造方法。例如,在一些实施例中,方法三维模型的构造方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元12012。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的方法三维模型的构造方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法三维模型的构造方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种人脸三维模型的构造方法,包括:
分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值;
根据所述初始损失值调整所述初始神经网络的网络参数,以获取与每个所述损失函数对应的候选神经网络;
根据每个所述候选神经网络和对应的损失函数,计算每个所述候选神经网络的参考损失值,并根据每个所述候选神经网络的参考损失值和初始损失值,在所述多个损失函数中确定目标损失函数;
根据所述目标损失函数训练所述初始神经网络得到目标神经网络,以便于根据所述目标神经网络构建三维模型。
2.如权利要求1所述的方法,其中,当所述损失函数包括第一损失函数时,所述分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值,包括:
将样本人脸图像输入预设的初始轻量级神经网络以获取第一样本人脸特征;
将所述第一样本人脸特征输入预设人脸重建模型,获取第一样本三维顶点坐标;
根据所述第一样本三维顶点坐标和所述样本人脸图像的预设标准三维顶点坐标,计算所述第一损失函数对应的初始损失值。
3.如权利要求2所述的方法,当所述损失函数包括第二损失函数时,所述分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值,包括:
根据所述第一样本人脸特征确定第一样本人脸三维系数,并根据所述第一样本人脸三维系数提取与预设的多维的人脸系数对应的多个第一权重值;
将所述多个第一权重值输入所述预设人脸重建模型,以获取与所述第二损失函数对应的第二样本三维顶点坐标;
根据所述第二样本三维顶点坐标和所述预设标准三维顶点坐标,计算所述第二损失函数对应的初始损失值。
4.如权利要求2所述的方法,其中,所述根据每个所述候选神经网络和对应的损失函数,计算每个所述候选神经网络的参考损失值,包括:
将所述样本人脸图像输入对应的候选神经网络以获取第二样本人脸特征;
将所述第二样本人脸特征输入所述预设人脸重建模型,获取第三样本三维顶点坐标;
根据所述第三样本三维顶点坐标和所述预设标准三维顶点坐标,计算所述第一损失函数对应的参考损失值。
5.如权利要求3所述的方法,其中,所述根据每个所述候选神经网络和对应的损失函数,计算每个所述候选神经网络的参考损失值,包括:
将所述样本人脸图像输入对应的候选神经网络以获取第三样本人脸特征;
根据所述第三样本人脸特征确定第二样本人脸三维系数,并根据所述第二样本人脸三维系数提取与预设的多维的人脸系数对应的多个第二权重值;
将所述多个第二权重值输入所述预设人脸重建模型,以获取与所述第二损失函数对应的第四样本三维顶点坐标;
根据所述第四样本三维顶点坐标和所述预设标准三维顶点坐标,计算所述第二损失函数对应的参考损失值。
6.如权利要求1所述的方法,其中,所述根据每个所述候选神经网络的参考损失值和初始损失值,在所述多个损失函数中确定目标损失函数,包括:
计算每个所述候选神经网络的初始损失值与参考损失值的损失差值;
确定所述损失差值最大值对应的损失函数为所述目标损失函数。
7.如权利要求1所述的方法,其中,所述根据所述目标神经网络构建三维模型,包括:
获取目标人脸图像,将所述目标人脸图像输入所述目标神经网络,以获取目标人脸特征;
根据所述目标人脸特征确定目标人脸三维系数,并根据所述目标三维系数提取与预设的多维的人脸系数对应的多个目标权重值;
将所述多个目标权重值输入预设人脸重建模型,以获取与目标三维顶点坐标;
根据所述目标三维顶点坐标构建目标三维模型。
8.如权利要求2-5任一所述的方法,在所述计算预设的初始神经网络与每个所述损失函数对应的初始损失值之前,还包括:
获取所述样本人脸图片对应的标准人脸关键点;
将所述第一样本人脸特征输入预设的人脸关键点识别模型,获取样本人脸关键点;
计算所述样本人脸关键点和所述标准人脸关键点的关键点损失值;
根据所述关键点损失值调整所述初始神经网络的网络参数,直至所述关键点损失值小于预设阈值。
9.一种三维模型的构造装置,包括:
第一计算模块,用于分别根据多个损失函数,计算预设的初始神经网络与每个所述损失函数对应的初始损失值;
第一获取模块,用于根据所述初始损失值调整所述初始神经网络的网络参数,以获取与每个所述损失函数对应的候选神经网络;
第二计算模块,用于根据每个所述候选神经网络和对应的损失函数,计算每个所述候选神经网络的参考损失值,并根据每个所述候选神经网络的参考损失值和初始损失值,在所述多个损失函数中确定目标损失函数;
训练模块,用于根据所述目标损失函数训练所述初始神经网络得到目标神经网络,以便于根据所述目标神经网络构建三维模型。
10.如权利要求9所述的装置,其中,当所述损失函数包括第一损失函数时,所述第一计算模块,具体用于:
将样本人脸图像输入预设的初始轻量级神经网络以获取第一样本人脸特征;
将所述第一样本人脸特征输入预设人脸重建模型,获取第一样本三维顶点坐标;
根据所述第一样本三维顶点坐标和所述样本人脸图像的预设标准三维顶点坐标,计算所述第一损失函数对应的初始损失值。
11.如权利要求10所述的装置,其中,当所述损失函数包括第二损失函数时,所述第一计算模块,具体用于:
根据所述第一样本人脸特征确定第一样本人脸三维系数,并根据所述第一样本人脸三维系数提取与预设的多维的人脸系数对应的多个第一权重值;
将所述多个第一权重值输入所述预设人脸重建模型,以获取与所述第二损失函数对应的第二样本三维顶点坐标;
根据所述第二样本三维顶点坐标和所述预设标准三维顶点坐标,计算所述第二损失函数对应的初始损失值。
12.如权利要求10所述的装置,其中,所述第二计算模块,具体用于:
将所述样本人脸图像输入对应的候选神经网络以获取第二样本人脸特征;
将所述第二样本人脸特征输入所述预设人脸重建模型,获取第三样本三维顶点坐标;
根据所述第三样本三维顶点坐标和所述预设标准三维顶点坐标,计算所述第一损失函数对应的参考损失值。
13.如权利要求11所述的装置,其中,所述第二计算模块,具体用于:
将所述样本人脸图像输入对应的候选神经网络以获取第三样本人脸特征;
根据所述第三样本人脸特征确定第二样本人脸三维系数,并根据所述第二样本人脸三维系数提取与预设的多维的人脸系数对应的多个第二权重值;
将所述多个第二权重值输入所述预设人脸重建模型,以获取与所述第二损失函数对应的第四样本三维顶点坐标;
根据所述第四样本三维顶点坐标和所述预设标准三维顶点坐标,计算所述第二损失函数对应的参考损失值。
14.如权利要求9所述的装置,其中,所述第二计算模块,具体用于:
计算每个所述候选神经网络的初始损失值与参考损失值的损失差值;
确定所述损失差值最大值对应的损失函数为所述目标损失函数。
15.如权利要求9所述的装置,还包括:
第二获取模块,用于获取目标人脸图像,将所述目标人脸图像输入所述目标神经网络,以获取目标人脸特征;
提取模块,用于根据所述目标人脸特征确定目标人脸三维系数,并根据所述目标三维系数提取与预设的多维的人脸系数对应的多个目标权重值;
第三获取模块,用于将所述多个目标权重值输入预设人脸重建模型,以获取与目标三维顶点坐标;
构建模块,用于根据所述目标三维顶点坐标构建目标三维模型。
16.如权利要求10-13任一所述的装置,还包括:
第四获取模块,用于获取所述样本人脸图片对应的标准人脸关键点;
第五获取模块,用于将所述第一样本人脸特征输入预设的人脸关键点识别模型,获取样本人脸关键点;
第三计算模块,用于计算所述样本人脸关键点和所述标准人脸关键点的关键点损失值;
调整模块,用于根据所述关键点损失值调整所述初始神经网络的网络参数,直至所述关键点损失值小于预设阈值。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的三维模型的构造方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的三维模型的构造方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的三维模型的构造方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011555901.9A CN112562069B (zh) | 2020-12-24 | 2020-12-24 | 三维模型的构造方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011555901.9A CN112562069B (zh) | 2020-12-24 | 2020-12-24 | 三维模型的构造方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112562069A true CN112562069A (zh) | 2021-03-26 |
CN112562069B CN112562069B (zh) | 2023-10-27 |
Family
ID=75034028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011555901.9A Active CN112562069B (zh) | 2020-12-24 | 2020-12-24 | 三维模型的构造方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562069B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232580A (zh) * | 2020-10-26 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 一种供电中断损失分析方法和装置 |
CN114037066A (zh) * | 2022-01-07 | 2022-02-11 | 南昌虚拟现实研究院股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114049472A (zh) * | 2021-11-15 | 2022-02-15 | 北京百度网讯科技有限公司 | 三维模型调整方法、装置、电子设备、介质 |
CN114818224A (zh) * | 2022-05-27 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种结构网格生成方法、装置、设备及存储介质 |
CN115270645A (zh) * | 2022-09-30 | 2022-11-01 | 南昌工程学院 | 一种基于ernie-dpcnn模型的设计方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
CN108921131A (zh) * | 2018-07-26 | 2018-11-30 | 中国银联股份有限公司 | 一种生成人脸检测模型、三维人脸图像的方法及装置 |
CN109003272A (zh) * | 2018-07-26 | 2018-12-14 | 北京小米移动软件有限公司 | 图像处理方法、装置及系统 |
CN109669973A (zh) * | 2018-12-27 | 2019-04-23 | 深算科技(重庆)有限公司 | 一种基于分布式动态训练系统 |
US20190147642A1 (en) * | 2017-11-15 | 2019-05-16 | Google Llc | Learning to reconstruct 3d shapes by rendering many 3d views |
CN110135582A (zh) * | 2019-05-09 | 2019-08-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
CN110738263A (zh) * | 2019-10-17 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练的方法、图像识别的方法及装置 |
CN111328400A (zh) * | 2017-11-14 | 2020-06-23 | 奇跃公司 | 用于神经网络的多任务学习的元学习 |
CN112016507A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于超分辨率的车辆检测方法、装置、设备及存储介质 |
WO2020239506A1 (en) * | 2019-05-27 | 2020-12-03 | Siemens Aktiengesellschaft | Method for determining a plurality of trained machine learning models |
-
2020
- 2020-12-24 CN CN202011555901.9A patent/CN112562069B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
CN111328400A (zh) * | 2017-11-14 | 2020-06-23 | 奇跃公司 | 用于神经网络的多任务学习的元学习 |
US20190147642A1 (en) * | 2017-11-15 | 2019-05-16 | Google Llc | Learning to reconstruct 3d shapes by rendering many 3d views |
CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
CN108921131A (zh) * | 2018-07-26 | 2018-11-30 | 中国银联股份有限公司 | 一种生成人脸检测模型、三维人脸图像的方法及装置 |
CN109003272A (zh) * | 2018-07-26 | 2018-12-14 | 北京小米移动软件有限公司 | 图像处理方法、装置及系统 |
CN109669973A (zh) * | 2018-12-27 | 2019-04-23 | 深算科技(重庆)有限公司 | 一种基于分布式动态训练系统 |
CN110135582A (zh) * | 2019-05-09 | 2019-08-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
WO2020239506A1 (en) * | 2019-05-27 | 2020-12-03 | Siemens Aktiengesellschaft | Method for determining a plurality of trained machine learning models |
CN110738263A (zh) * | 2019-10-17 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练的方法、图像识别的方法及装置 |
CN112016507A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于超分辨率的车辆检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
赵铖辉;李勇;张振江;: "BinaryFace:基于深层卷积神经网络的人脸模板保护模型", 信息安全学报, no. 05 * |
邢新颖;冀俊忠;姚?;: "基于自适应多任务卷积神经网络的脑网络分类方法", 计算机研究与发展, no. 07 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232580A (zh) * | 2020-10-26 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 一种供电中断损失分析方法和装置 |
CN112232580B (zh) * | 2020-10-26 | 2023-04-14 | 广东电网有限责任公司广州供电局 | 一种供电中断损失分析方法和装置 |
CN114049472A (zh) * | 2021-11-15 | 2022-02-15 | 北京百度网讯科技有限公司 | 三维模型调整方法、装置、电子设备、介质 |
CN114037066A (zh) * | 2022-01-07 | 2022-02-11 | 南昌虚拟现实研究院股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114818224A (zh) * | 2022-05-27 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种结构网格生成方法、装置、设备及存储介质 |
CN115270645A (zh) * | 2022-09-30 | 2022-11-01 | 南昌工程学院 | 一种基于ernie-dpcnn模型的设计方法及系统 |
CN115270645B (zh) * | 2022-09-30 | 2022-12-27 | 南昌工程学院 | 一种基于ernie-dpcnn模型的设计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112562069B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112562069B (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
CN113643412B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN114549710A (zh) | 一种虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
CN113674421A (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN112802037A (zh) | 人像提取方法、装置、电子设备及存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN113393371A (zh) | 一种图像处理方法、装置及电子设备 | |
CN115797565A (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114781650A (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN113592932A (zh) | 深度补全网络的训练方法、装置、电子设备及存储介质 | |
CN113052962A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN115222895A (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN114419182A (zh) | 图像处理方法和装置 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
CN113920273A (zh) | 图像处理方法、装置、电子设备和存储介质 |
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 |