CN113808010B - 无属性偏差的卡通人像生成方法、装置、设备及介质 - Google Patents

无属性偏差的卡通人像生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN113808010B
CN113808010B CN202111120824.9A CN202111120824A CN113808010B CN 113808010 B CN113808010 B CN 113808010B CN 202111120824 A CN202111120824 A CN 202111120824A CN 113808010 B CN113808010 B CN 113808010B
Authority
CN
China
Prior art keywords
attribute
initial
cartoon
classification
portrait
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
Application number
CN202111120824.9A
Other languages
English (en)
Other versions
CN113808010A (zh
Inventor
林彦硕
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.)
Shenzhen Wondershare Software Co Ltd
Original Assignee
Shenzhen Wondershare Software 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 Shenzhen Wondershare Software Co Ltd filed Critical Shenzhen Wondershare Software Co Ltd
Priority to CN202111120824.9A priority Critical patent/CN113808010B/zh
Publication of CN113808010A publication Critical patent/CN113808010A/zh
Application granted granted Critical
Publication of CN113808010B publication Critical patent/CN113808010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了无属性偏差的卡通人像生成方法、装置、设备及介质，方法包括：根据初始卡通人像集训练得到卡通人像生成模型，提取每一属性分类对应的属性特征信息，判断初始卡通人像是否存在属性偏差，若存在则采集得到无属性偏差的初始人脸照片集合并训练得到人脸照片分类模型，根据人脸照片分类模型对用户照片分类以获取属性分类信息，并进一步获取与属性分类信息对应的目标属性特征信息后生成对应的目标卡通人像。本发明属于人工智能技术领域，可基于无属性偏差的初始人脸照片集合训练得到人脸照片分类模型并对用户照片分类得到属性分类信息，基于属性分类信息生成对应的目标卡通人像，大幅提升了对各种属性的卡通人像进行生成的质量。

Description

无属性偏差的卡通人像生成方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种无属性偏差的卡通人像生成方法、装置、设备及介质。
背景技术
聊天软件或交友软件中通常需要使用人像体现用户的个人特征，现有技术方法可基于用户图像智能生成卡通人像以供用户在聊天软件或交友软件中进行使用。然而由于卡通人像的个体属性各不相同，如发型、肤色、性别、年龄等个体属性存在差异，在每一属性对应的卡通人像资料数据差异较大时，也即部分属性对应的卡通人像资料的数据较少，则难以对卡通人像生成模型在每一属性均对应进行均衡训练，导致基于训练后的卡通人像生成模型针对资料数据较少的属性难以生成高质量的卡通人像。因此，现有的技术方法存在无法高质量生成卡通人像的问题。
发明内容
本发明实施例提供了一种无属性偏差的卡通人像生成方法、装置、设备及介质，旨在解决现有技术方法中所存在的无法高质量生成卡通人像的问题。
第一方面，本发明实施例提供了一种无属性偏差的卡通人像生成方法，所述方法包括：
若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型；
根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息；
根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差；
若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合；
根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型；
若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息；
根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息；
根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像。
第二方面，本发明实施例提供了一种无属性偏差的卡通人像生成装置，其包括：
初始卡通人像生成模型单元，用于若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型；
属性特征信息提取单元，用于根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息；
属性偏差判断单元，用于根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差；
初始人脸照片集合获取单元，用于若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合；
初始模型训练单元，用于根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型；
属性分类信息获取单元，用于若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息；
目标属性特征信息获取单元，用于根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息；
目标卡通人像生成单元，用于根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的无属性偏差的卡通人像生成方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的无属性偏差的卡通人像生成方法。
本发明实施例提供了一种无属性偏差的卡通人像生成方法、装置、设备及介质。根据初始卡通人像集训练得到卡通人像生成模型，并提取每一属性分类对应的属性特征信息，判断初始卡通人像集中的初始卡通人像是否存在属性偏差，若存在则采集得到无属性偏差的初始人脸照片集合并训练得到人脸照片分类模型，根据人脸照片分类模型对用户照片分类以获取属性分类信息，并进一步获取与属性分类信息对应的目标属性特征信息后生成对应的目标卡通人像。通过上述方法，可基于无属性偏差的初始人脸照片集合训练得到人脸照片分类模型，并对用户照片分类得到属性分类信息，基于属性分类信息生成对应的目标卡通人像，即使初始卡通人像存在属性偏差，也依然能够生成高质量的目标卡通人像，也即大幅提升了对各种属性的卡通人像进行生成的质量。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例提供的无属性偏差的卡通人像生成方法的流程示意图；
图2为本发明实施例提供的无属性偏差的卡通人像生成方法的子流程示意图；
图3为本发明实施例提供的无属性偏差的卡通人像生成方法的另一子流程示意图；
图4为本发明实施例提供的无属性偏差的卡通人像生成方法的另一子流程示意图；
图5为本发明实施例提供的无属性偏差的卡通人像生成方法的另一子流程示意图；
图6为本发明实施例提供的无属性偏差的卡通人像生成方法的另一子流程示意图；
图7为本发明实施例提供的无属性偏差的卡通人像生成方法的另一子流程示意图；
图8为本发明实施例提供的无属性偏差的卡通人像生成装置的示意性框图；
图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的无属性偏差的卡通人像生成方法的流程示意图；该无属性偏差的卡通人像生成方法应用于用户终端或管理服务器中，该无属性偏差的卡通人像生成方法通过安装于用户终端或管理服务器中的应用软件进行执行；用户终端可用于执行无属性偏差的卡通人像生成方法以根据用户输入的用户照片智能生成对应的目标卡通图像，用户终端可以是台式电脑、笔记本电脑、平板电脑或手机等终端设备，管理服务器即是用于执行无属性偏差的卡通人像生成方法以获取用户终端上传的用户照片并智能生成对应的目标卡通图像的服务器端，如企业或政府部门内部所构建的服务器端。如图1所示，该方法包括步骤S110～S180。
S110、若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型。
若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型。若方法应用于用户终端中，则用户终端可接收来自管理服务器的初始卡通人像集；若方法应用于管理服务器中，则管理服务器可接收管理员所输入的初始卡通人像集，管理员即为管理服务器的用户。可根据接收到的初始卡通人像集对初始卡通人像生成模型进行训练，具体的，初始卡通人像生成模型可以是基于Style GAN(Style-Generative Adversarial Networks，风格生成式对抗网络)构建得到的智能生成模型，初始卡通人像生成模型可对每一初始卡通人像进行卷积处理，以提取每一初始卡通人像的隐藏变量z，隐藏变量z以特征向量形式来体现初始卡通人像的隐藏特征信息，并基于隐藏变量z进一步获取中间隐藏变量w，w即是用于控制所生成卡通人像的风格的特征向量，将所得到的中间隐藏变量w进行仿射变换得到特征A，将特征A及噪声特征B同时输入至初始卡通人像生成模型的多个分析网络层的每一层，进行分析计算后即可输出预测卡通人像，预测卡通图像与初始卡通图像的尺寸相同。基于初始卡通人像中每一像素点的像素值及预测卡通人像中每一像素点的像素值对应计算得到图像损失值，若初始卡通人像与预测卡通人像越接近，则对应计算得到的图像损失值越小，反之对应计算得到的图像损失值越大，基于梯度下降算法及图像损失值对初始卡通人像生成模型中所包含的参数值(分析网络层中包含相应参数值)进行调整，即可实现对初始卡通人像生成模型进行训练。具体的，一张初始卡通人像可实现对初始卡通人像生成模型进行一次训练，通过另一张初始卡通人像对进行一次训练后的初始卡通人像生成模型再次进行同样的训练，直至初始卡通人像集中每一张初始卡通人像均对初始卡通人像生成模型进行训练，这一训练过程也即是对初始卡通人像生成模型进行迭代训练，最终得到训练后的卡通人像生成模型。
S120、根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息。
根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息。对初始卡通人像生成模型进行训练后，即可根据属性特征提取规则从中提取对应的属性特征信息，属性包含细节分类及整体分类两大类，细节分类中包括姿态、脸型、眼镜、发型等细节特征的小分类，整体分类中包括肤色、发色、背景色等整体特征的小分类，由于大类中的每一个小分类包含多种具体表型，则同一大类中的每一小分类的具体表型进行组合即可作为一个属性分类。
在一实施例中，如图2所示，步骤S120包括子步骤S121、S122和S123。
S121、获取所述卡通人像生成模型中每一属性分类对应的属性基础特征。
初始卡通人像中还包括具体的属性信息，可根据两组大类分别对初始卡通人像的属性信息进行分类，从卡通人像生成模型中获取每一初始卡通人像的中间隐藏变量w并根据初始卡通人像的属性分类结果，获取每一属性分类对应的初始卡通人像的中间隐藏变量w并计算平均值得到每一属性分类对应的属性基础特征。
例如，某一初始卡通人像的属性信息为姿态：微笑、脸型：圆形、眼镜：无、发型：长；肤色：黄色、发色：黑色、背景色：明亮。对应根据第一大类分类至姿态：微笑、脸型：圆形、眼镜：无、发型：长的这一属性分类中，对应根据第二大类分类至肤色：黄色、发色：黑色、背景色：明亮这一属性分类中。
S122、根据所述属性特征提取规则中的特征聚合公式对所述属性基础特征中与每一维度对应的特征值进行聚合计算，得到每一维度与每一所述属性分类分别对应的聚合特征值。
所得到的属性基础特征均为一个多维度的特征向量，可获取同一维度的特征向量的多个特征值进行聚合计算，聚合计算可以提高数据分布的整体密度，把分布稀疏的数据点都聚拢到一起，聚合计算可依据特征聚合公式进行，该公式可表示为公式(1)：
其中，为所有特征值的平均值，ψ是一个实数且ψ<1，表示压缩倍数，wij为第i个维度的第j个特征值，w′ij为对wij进行聚合计算后所得到的聚合特征值。
S123、获取每一所述属性分类在多个维度分别对应的聚合特征值进行组合，以得到每一所述属性分类的属性特征信息。
一个属性分类在每一维度均对应一个聚合特征值，则可获取每一属性分类在多个维度分别对应的多个聚合特征值进行组合，得到属性分类的属性特征信息，则属性特征信息的维度数量与属性基础特征的维度数量相等。
S130、根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差。
根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差。可对初始卡通人像集中所包含的初始卡通人像是否存在属性偏差进行判断，可根据属性判断规则对初始卡通人像进行属性偏差判断。若初始卡通人像存在属性偏差则需要执行步骤S140，若初始卡通人像不存在属性偏差，则可直接将用户照片输入训练后的卡通人像生成模型以生成目标卡通人像。
在一实施例中，如图3所示，步骤S130包括子步骤S131和S132。
S131、对所述初始卡通人像进行分类统计得到人像分类统计信息。
具体的，可对初始卡通人像进行分类统计，也即是统计每一属性分类所包含的初始卡通人像的数量得到人像分类统计信息，并基于人像分类统计信息进行分析计算以获取对应的统计值。其中，所述统计值至少包括方差值及极差统计值。
S132、判断所述人像分类统计信息中的统计值是否满足所述属性判断规则，以判定所述初始卡通人像是否存在属性偏差。
可判断人像分类统计信息是否满足属性判断规则，从而判定初始卡通人像是否存在属性偏差，也即若人像分类统计信息满足属性判断规则，则初始卡通人像不存在属性偏差；否则初始卡通人像存在属性偏差。存在属性偏差也即表明初始卡通人像集中的初始卡通人像在属性分类的数量上差异较大，不存在属性偏差也即初始卡通人像集中的初始卡通人像在属性分类的数量上较为均衡。
在一实施例中，如图4所示，步骤S132包括子步骤S1321、S1322、S1323和S1324。
S1321、判断所述方差值是否不大于所述属性判断规则中的方差阈值。
S1322、若所述方差值不大于所述方差阈值，判断所述极差统计值是否不大于所述属性判断规则中的极差阈值。
首先可判断统计值中的方差值是否不大于方差阈值，若判断结果为不大于，则继续判断极差统计值是否不大于极差阈值，方差值即为基于方差公式对每一属性分类所包含的初始卡通人像的数量进行计算所得到的计算值，极差统计值即为数量极大值的属性分类与数量极小值的属性分类之间的数量差值。
S1323、若所述极差统计值不大于所述极差阈值，判定所述初始卡通人像不存在属性偏差；S1324、若所述方差值大于所述方差阈值或所述极差统计值大于所述极差阈值，判定所述初始卡通人像存在属性偏差。
若极差统计值不大于极差阈值，则可判定初始卡通人像不存在属性偏差，若方差值大于方差阈值或极差统计值大于极差阈值，则可判定初始卡通人像存在属性偏差。
S140、若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合。
若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合。若初始卡通人像存在属性偏差，则可根据采集规则采集无属性偏差的初始人脸照片集合，采集规则中包含采集数量及采集地址，采集数量即为所需采集的与每一属性分类对应的照片数量，采集地址即为进行照片采集的网页对应的网络地址信息，采集地址可以是社交软件等应用软件的网络地址信息，则采集得到的初始人脸照片集合中与每一属性分类对应的初始人脸照片的数量均相等，也即是无属性偏差。
S150、根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型。
根据所述初始人脸照片集合对初始模型进行训练，得到训练后的人脸照片分类模型。其中，所述初始模型包括卷积神经网络及分类神经网络。卷积神经网络即为对初始人脸照片集合中每一初始人脸照片进行卷积处理的智能神经网络，分类神经网络即为对初始人脸照片进行智能分类的智能神经网络，初始模型中卷积神经网络及分类神经网络中的参数值均为默认值，则对初始模型进行训练的过程也即是对初始模型中的参数值进行调整。
在一实施例中，如图5所示，步骤S150包括子步骤S151、S152、S153和S154。
S151、根据所述卷积神经网络从所述初始人脸照片集合的每一初始人脸照片中分别提取与每一所述初始人脸照片对应的人脸照片特征信息。
具体的，可根据卷积神经网络从初始人脸照片中提取对应的人脸照片特征信息，人脸照片特征信息也即是对初始人脸照片的特征进行量化表征的特征向量。卷积神经网络中包含多个卷积核，卷积核中包含相应的参数值。
S152、根据所述分类神经网络对每一所述人脸照片特征信息依次进行分类得到对应的初始分类信息。
可根据分类神经网络对人脸照片特征信息依次进行分类处理，具体的，分类神经网络中由一个输入层、一个输出层及至少一个中间层组成，首个中间层与输入层之间、中间层与其它相邻中间层之间、末尾中间层与输出层之间均通过关联公式进行关联，关联公式可采用一次函数进行表示且一次函数中包含相应参数值。输入层中每一输入节点即对应人脸照片特征信息中的一个维度，将人脸照片特征信息中每一维度的特征值由输入层进行输入，则可通过输出层获取相应初始分类信息，初始分类信息中包含与每一小分类对应的预测表型。
S153、根据所述初始分类信息及每一初始人脸照片对应的目标分类信息对所述分类神经网络及所述卷积神经网络进行迭代训练，以得到迭代训练后的分类神经网络及卷积神经网络。
可根据一张初始人脸照片的初始分类信息及对应的目标分类信息对分类神经网络进行迭代训练，目标分类信息即为对初始人脸照片进行采集时所对应的属性分类，具体的，可基于一初始人脸照片的初始分类信息与对应目标分类信息计算得到分类损失值，若初始分类信息与目标分类信息之间重合度越大，则对应计算得到的分类损失值越小，反之对应计算得到的分类损失值越大，基于梯度下降算法及分类损失值对分类神经网络及卷积神经网络中所包含的参数值进行调整，即可实现对初始模型进行训练。一张初始人脸照片可实现对初始模型进行一次训练，则初始人脸照片集合中的多张初始人脸照片可实现对初始模型进行多次迭代训练。
S154、将迭代训练后的所述卷积神经网络与所述分类神经网络进行组合，以得到所述训练后的人脸照片分类模型。
将迭代训练后的卷积神经网络与迭代训练后的分类神经网络进行组合，卷积神经网络的输出层即与分类神经网络的输入层相连接，得到对初始模型进行训练后的人脸照片分类模型。
S160、若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息。
若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息。用户可输入用户照片至用户终端，则可基于用户终端对该用户照片进行处理，用户终端也可将用户照片上传至管理服务器，则管理服务器可对该用户照片进行处理得到目标卡通人像后反馈至该用户终端。
在一实施例中，如图6所示，步骤S160包括子步骤S161和S162。
S161、根据所述卷积神经网络从所述用户照片中提取对应的用户照片特征信息；S162、根据所述分类神经网络对所述用户照片特征信息进行分类得到对应的属性分类信息。
可根据迭代训练后的卷积神经网络对用户照片进行卷积处理，以从中提取得到对应的用户照片特征信息，用户照片特征信息即可用于对用户照片中所包含的特征进行量化表征，将所得到的用户照片特征信息输入迭代训练后的分类神经网络进行分类处理，即可得到对应的属性分类信息。
S170、根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息。
根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息。由于在上述步骤中得到了每一属性分类对应的属性特征信息，因此可根据每一属性分类对应的属性特征信息确定与属性分类信息对应的目标属性特征信息。其中，所述属性分类信息包括细节属性分类及整体属性分类。
在一实施例中，如图7所示，步骤S170包括子步骤S171、S172和S173。
S171、获取与所述细节属性分类相匹配的属性分类对应的属性特征信息作为第一属性特征信息；S172、获取与所述整体属性分类相匹配的属性分类对应的属性特征信息作为第二属性特征信息；S173、将所述第一属性特征信息与所述第二属性特征信息组合得到所述目标属性特征信息。
可根据细节属性分类获取与细节属性分类相匹配的属性特征信息作为第一属性特征信息，获取与整体属性分类相匹配的属性特征信息作为第二属性特征信息。也即是第一属性特征信息即为与细节分类相对应的属性特征信息，第二属性特征信息即为与整体分类相对应的属性特征信息，将第一属性特征信息与第二属性特征信息进行组合作为目标属性特征信息。
S180、根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像。
根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像。可将目标属性特征信息输入至卡通人像生成模型进行属性混合(Style mixing)分析，从而生成目标卡通人像，具体的，目标属性特征信息中包含第一属性特征信息及第二属性特征信息，则可将第一属性特征信息作为卡通人像生成模型的中间隐藏变量w1，将第二属性特征信息作为卡通人像生成模型的中间隐藏变量w2，属性混合分析的本意是去找到控制不同属性的隐藏变量(latent code)的区域位置，具体做法是将两个不同的中间隐藏变量w1和w2输入到分析网络层中，并选择一个中间的交叉点，交叉点之前的部分使用中间隐藏变量w1的特征，交叉点之后的部分使用中间隐藏变量w2的特征，则生成的目标卡通人像同时具有中间隐藏变量w1和w2的特征，这一过程也即称为属性混合。
在本发明实施例所提供的无属性偏差的卡通人像生成方法中，根据初始卡通人像集训练得到卡通人像生成模型，并提取每一属性分类对应的属性特征信息，判断初始卡通人像集中的初始卡通人像是否存在属性偏差，若存在则采集得到无属性偏差的初始人脸照片集合并训练得到人脸照片分类模型，根据人脸照片分类模型对用户照片分类以获取属性分类信息，并进一步获取与属性分类信息对应的目标属性特征信息后生成对应的目标卡通人像。通过上述方法，可基于无属性偏差的初始人脸照片集合训练得到人脸照片分类模型，并对用户照片分类得到属性分类信息，基于属性分类信息生成对应的目标卡通人像，即使初始卡通人像存在属性偏差，也依然能够生成高质量的目标卡通人像，也即大幅提升了对各种属性的卡通人像进行生成的质量。
本发明实施例还提供一种无属性偏差的卡通人像生成装置，该无属性偏差的卡通人像生成装置可配置于用户终端或管理服务器中，该无属性偏差的卡通人像生成装置用于执行前述的无属性偏差的卡通人像生成方法的任一实施例。具体地，请参阅图8，图8为本发明实施例提供的无属性偏差的卡通人像生成装置的示意性框图。
如图8所示，无属性偏差的卡通人像生成装置100包括初始卡通人像生成模型单元110、属性特征信息提取单元120、属性偏差判断单元130、初始人脸照片集合获取单元140、初始模型训练单元150、属性分类信息获取单元160、目标属性特征信息获取单元170和目标卡通人像生成单元180。
初始卡通人像生成模型单元110，用于若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型。
属性特征信息提取单元120，用于根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息。
在一具体实施例中，所述属性特征信息提取单元120包括子单元：属性基础特征获取单元，用于获取所述卡通人像生成模型中每一属性分类对应的属性基础特征；聚合计算单元，用于根据所述属性特征提取规则中的特征聚合公式对所述属性基础特征中与每一维度对应的特征值进行聚合计算，得到每一维度与每一所述属性分类分别对应的聚合特征值；聚合特征值组合单元，用于获取每一所述属性分类在多个维度分别对应的聚合特征值进行组合，以得到每一所述属性分类的属性特征信息。
属性偏差判断单元130，用于根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差。
在一具体实施例中，所述属性偏差判断单元130包括子单元：人像分类统计信息获取单元，用于对所述初始卡通人像进行分类统计得到人像分类统计信息；属性偏差判定单元，用于判断所述人像分类统计信息中的统计值是否满足所述属性判断规则，以判定所述初始卡通人像是否存在属性偏差。
在一具体实施例中，所述属性偏差判定单元包括子单元：方差值判断单元，用于判断所述方差值是否不大于所述属性判断规则中的方差阈值；极差统计值判断单元，用于若所述方差值不大于所述方差阈值，判断所述极差统计值是否不大于所述属性判断规则中的极差阈值；第一判定单元，用于若所述极差统计值不大于所述极差阈值，判定所述初始卡通人像不存在属性偏差；第二判定单元，用于若所述方差值大于所述方差阈值或所述极差统计值大于所述极差阈值，判定所述初始卡通人像存在属性偏差。
初始人脸照片集合获取单元140，用于若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合。
初始模型训练单元150，用于根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型。
在一具体实施例中，所述初始模型训练单元150包括子单元：人脸照片特征信息获取单元，用于根据所述卷积神经网络从所述初始人脸照片集合的每一初始人脸照片中分别提取与每一所述初始人脸照片对应的人脸照片特征信息；初始分类信息获取单元，用于根据所述分类神经网络对每一所述人脸照片特征信息依次进行分类得到对应的初始分类信息；迭代训练单元，用于根据所述初始分类信息及每一初始人脸照片对应的目标分类信息对所述分类神经网络及所述卷积神经网络进行迭代训练，以得到迭代训练后的分类神经网络及卷积神经网络；人脸照片分类模型获取单元，用于将迭代训练后的所述卷积神经网络与所述分类神经网络进行组合，以得到所述训练后的人脸照片分类模型。
属性分类信息获取单元160，用于若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息。
在一具体实施例中，所述属性分类信息获取单元160包括子单元：用户照片特征信息获取单元，用于根据所述卷积神经网络从所述用户照片中提取对应的用户照片特征信息；照片特征信息分类单元，用于根据所述分类神经网络对所述用户照片特征信息进行分类得到对应的属性分类信息。
目标属性特征信息获取单元170，用于根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息。
在一具体实施例中，所述目标属性特征信息获取单元170包括子单元：第一属性特征信息获取单元，用于获取与所述细节属性分类相匹配的属性分类对应的属性特征信息作为第一属性特征信息；第二属性特征信息获取单元，用于获取与所述整体属性分类相匹配的属性分类对应的属性特征信息作为第二属性特征信息；属性特征信息组合单元，用于将所述第一属性特征信息与所述第二属性特征信息组合得到所述目标属性特征信息。
目标卡通人像生成单元180，用于根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像。
在本发明实施例所提供的无属性偏差的卡通人像生成装置应用上述无属性偏差的卡通人像生成方法，根据初始卡通人像集训练得到卡通人像生成模型，并提取每一属性分类对应的属性特征信息，判断初始卡通人像集中的初始卡通人像是否存在属性偏差，若存在则采集得到无属性偏差的初始人脸照片集合并训练得到人脸照片分类模型，根据人脸照片分类模型对用户照片分类以获取属性分类信息，并进一步获取与属性分类信息对应的目标属性特征信息后生成对应的目标卡通人像。通过上述方法，可基于无属性偏差的初始人脸照片集合训练得到人脸照片分类模型，并对用户照片分类得到属性分类信息，基于属性分类信息生成对应的目标卡通人像，即使初始卡通人像存在属性偏差，也依然能够生成高质量的目标卡通人像，也即大幅提升了对各种属性的卡通人像进行生成的质量。
上述无属性偏差的卡通人像生成装置可以实现为计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9，图9是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行无属性偏差的卡通人像生成方法以智能生成目标卡通图像的用户终端或管理服务器。
参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行无属性偏差的卡通人像生成方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行无属性偏差的卡通人像生成方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的无属性偏差的卡通人像生成方法中对应的功能。
本领域技术人员可以理解，图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图9所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的无属性偏差的卡通人像生成方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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计算机可读存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种无属性偏差的卡通人像生成方法，其特征在于，所述方法包括：
若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型；
根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息；
根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差；
若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合；
根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型；所述初始模型包括卷积神经网络及分类神经网络；
若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息；
根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息；
根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像；
所述根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差，包括：
对所述初始卡通人像进行分类统计得到人像分类统计信息；
判断所述人像分类统计信息中的统计值是否满足所述属性判断规则，以判定所述初始卡通人像是否存在属性偏差；
所述统计值包括方差值及极差统计值，所述判断所述人像分类统计信息中的统计值是否满足所述属性判断规则，以判定所述初始卡通人像是否存在属性偏差，包括：
判断所述方差值是否不大于所述属性判断规则中的方差阈值；
若所述方差值不大于所述方差阈值，判断所述极差统计值是否不大于所述属性判断规则中的极差阈值；
若所述极差统计值不大于所述极差阈值，判定所述初始卡通人像不存在属性偏差；
若所述方差值大于所述方差阈值或所述极差统计值大于所述极差阈值，判定所述初始卡通人像存在属性偏差。
2.根据权利要求1所述的无属性偏差的卡通人像生成方法，其特征在于，所述根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息，包括：
获取所述卡通人像生成模型中每一属性分类对应的属性基础特征；
根据所述属性特征提取规则中的特征聚合公式对所述属性基础特征中与每一维度对应的特征值进行聚合计算，得到每一维度与每一所述属性分类分别对应的聚合特征值；
获取每一所述属性分类在多个维度分别对应的聚合特征值进行组合，以得到每一所述属性分类的属性特征信息。
3.根据权利要求1所述的无属性偏差的卡通人像生成方法，其特征在于，所述根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型，包括：
根据所述卷积神经网络从所述初始人脸照片集合的每一初始人脸照片中分别提取与每一所述初始人脸照片对应的人脸照片特征信息；
根据所述分类神经网络对每一所述人脸照片特征信息依次进行分类得到对应的初始分类信息；
根据所述初始分类信息及每一初始人脸照片对应的目标分类信息对所述分类神经网络及所述卷积神经网络进行迭代训练，以得到迭代训练后的分类神经网络及卷积神经网络；
将迭代训练后的所述卷积神经网络与所述分类神经网络进行组合，以得到所述训练后的人脸照片分类模型。
4.根据权利要求3所述的无属性偏差的卡通人像生成方法，其特征在于，所述根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息，包括：
根据所述卷积神经网络从所述用户照片中提取对应的用户照片特征信息；
根据所述分类神经网络对所述用户照片特征信息进行分类得到对应的属性分类信息。
5.根据权利要求1所述的无属性偏差的卡通人像生成方法，其特征在于，所述属性分类信息包括细节属性分类及整体属性分类，所述根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息，包括：
获取与所述细节属性分类相匹配的属性分类对应的属性特征信息作为第一属性特征信息；
获取与所述整体属性分类相匹配的属性分类对应的属性特征信息作为第二属性特征信息；
将所述第一属性特征信息与所述第二属性特征信息组合得到所述目标属性特征信息。
6.一种无属性偏差的卡通人像生成装置，其特征在于，所述装置包括：
初始卡通人像生成模型单元，用于若接收到所输入的初始卡通人像集，根据所述初始卡通人像集对初始卡通人像生成模型进行训练得到训练后的卡通人像生成模型；
属性特征信息提取单元，用于根据预置的属性特征提取规则从所述卡通人像生成模型中提取每一属性分类对应的属性特征信息；
属性偏差判断单元，用于根据预置的属性判断规则判断所述初始卡通人像集中初始卡通人像是否存在属性偏差；
初始人脸照片集合获取单元，用于若所述初始卡通人像集中初始卡通人像存在属性偏差，根据预置的采集规则采集得到无属性偏差的初始人脸照片集合；
初始模型训练单元，用于根据所述初始人脸照片集合对初始模型进行训练得到训练后的人脸照片分类模型；所述初始模型包括卷积神经网络及分类神经网络；
属性分类信息获取单元，用于若接收到用户输入的用户照片，根据所述人脸照片分类模型对所述用户照片进行分类以获取对应的属性分类信息；
目标属性特征信息获取单元，用于根据每一所述属性分类对应的属性特征信息确定与所述属性分类信息对应的目标属性特征信息；
目标卡通人像生成单元，用于根据所述训练后的卡通人像生成模型生成与所述目标属性特征信息对应的目标卡通人像；
所述属性偏差判断单元包括子单元：人像分类统计信息获取单元，用于对所述初始卡通人像进行分类统计得到人像分类统计信息；属性偏差判定单元，用于判断所述人像分类统计信息中的统计值是否满足所述属性判断规则，以判定所述初始卡通人像是否存在属性偏差；
所述统计值包括方差值及极差统计值，所述属性偏差判定单元包括子单元：方差值判断单元，用于判断所述方差值是否不大于所述属性判断规则中的方差阈值；极差统计值判断单元，用于若所述方差值不大于所述方差阈值，判断所述极差统计值是否不大于所述属性判断规则中的极差阈值；第一判定单元，用于若所述极差统计值不大于所述极差阈值，判定所述初始卡通人像不存在属性偏差；第二判定单元，用于若所述方差值大于所述方差阈值或所述极差统计值大于所述极差阈值，判定所述初始卡通人像存在属性偏差。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的无属性偏差的卡通人像生成方法。
8.一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存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的无属性偏差的卡通人像生成方法。
CN202111120824.9A 2021-09-24 2021-09-24 无属性偏差的卡通人像生成方法、装置、设备及介质 Active CN113808010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111120824.9A CN113808010B (zh) 2021-09-24 2021-09-24 无属性偏差的卡通人像生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111120824.9A CN113808010B (zh) 2021-09-24 2021-09-24 无属性偏差的卡通人像生成方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113808010A CN113808010A (zh) 2021-12-17
CN113808010B true CN113808010B (zh) 2023-08-11

Family

ID=78940328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111120824.9A Active CN113808010B (zh) 2021-09-24 2021-09-24 无属性偏差的卡通人像生成方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113808010B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651978A (zh) * 2016-10-10 2017-05-10 讯飞智元信息科技有限公司 人脸图像预测方法及系统
CN109858445A (zh) * 2019-01-31 2019-06-07 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN110084216A (zh) * 2019-05-06 2019-08-02 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、系统、设备及介质
CN110111246A (zh) * 2019-05-15 2019-08-09 北京市商汤科技开发有限公司 一种虚拟头像生成方法及装置、存储介质
CN111695458A (zh) * 2020-05-28 2020-09-22 腾讯科技（深圳）有限公司 一种视频图像帧处理方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651978A (zh) * 2016-10-10 2017-05-10 讯飞智元信息科技有限公司 人脸图像预测方法及系统
CN109858445A (zh) * 2019-01-31 2019-06-07 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN110084216A (zh) * 2019-05-06 2019-08-02 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、系统、设备及介质
CN110111246A (zh) * 2019-05-15 2019-08-09 北京市商汤科技开发有限公司 一种虚拟头像生成方法及装置、存储介质
CN111695458A (zh) * 2020-05-28 2020-09-22 腾讯科技（深圳）有限公司 一种视频图像帧处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Generative Hierarchical Features from Synthesizing Images;Yinghao Xu 等;《arXiv》;第1-14页 *

Also Published As

Publication number Publication date
CN113808010A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US10726244B2 (en) Method and apparatus detecting a target
WO2019100724A1 (zh) 训练多标签分类模型的方法和装置
Roy et al. Monocular depth estimation using neural regression forest
JP6994588B2 (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
US20180181799A1 (en) Method and apparatus for recognizing object, and method and apparatus for training recognizer
Kucer et al. Leveraging expert feature knowledge for predicting image aesthetics
US20160012317A1 (en) Systems, methods, and devices for image matching and object recognition in images using template image classifiers
CN107679466B (zh) 信息输出方法和装置
US10210424B2 (en) Method and system for preprocessing images
WO2021164232A1 (zh) 用户识别方法、装置、设备及存储介质
US20160092726A1 (en) Using gestures to train hand detection in ego-centric video
CN111738357A (zh) 垃圾图片的识别方法、装置及设备
CN106056083B (zh) 一种信息处理方法及终端
US20190347472A1 (en) Method and system for image identification
JP6633476B2 (ja) 属性推定装置、属性推定方法および属性推定プログラム
CN112163637B (zh) 基于非平衡数据的图像分类模型训练方法、装置
Maktabdar Oghaz et al. A hybrid color space for skin detection using genetic algorithm heuristic search and principal component analysis technique
Ahmed et al. Combining iris and periocular biometric for matching visible spectrum eye images
US20230273914A1 (en) Data augmentation method and apparatus, computing device, and computer-readable storage medium
CN108492301A (zh) 一种场景分割方法、终端及存储介质
CN112817563B (zh) 目标属性配置信息确定方法、计算机设备和存储介质
Huo et al. Semisupervised learning based on a novel iterative optimization model for saliency detection
Sree Vidya et al. Triangular fuzzy membership-contrast limited adaptive histogram equalization (TFM-CLAHE) for enhancement of multimodal biometric images
WO2021027329A1 (zh) 基于图像识别的信息推送方法、装置、及计算机设备
CN112329586A (zh) 基于情绪识别的客户回访方法、装置及计算机设备

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