CN114463466A - 智能卡卡面图案定制方法、装置、电子设备及介质 - Google Patents

智能卡卡面图案定制方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114463466A
CN114463466A CN202210123262.1A CN202210123262A CN114463466A CN 114463466 A CN114463466 A CN 114463466A CN 202210123262 A CN202210123262 A CN 202210123262A CN 114463466 A CN114463466 A CN 114463466A
Authority
CN
China
Prior art keywords
style
network model
picture
pictures
surface pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210123262.1A
Other languages
English (en)
Inventor
吴思奥
暨光耀
傅媛媛
丘士丹
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210123262.1A priority Critical patent/CN114463466A/zh
Publication of CN114463466A publication Critical patent/CN114463466A/zh
Pending legal-status Critical Current

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
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本公开提供了一种智能卡卡面图案定制方法，涉及人工智能技术领域。该方法包括：接收用户发送的卡面图案定制请求，卡面图案定制请求包括用户指定的风格图片和内容图片；将风格图片和内容图片输入训练好的图片风格迁移模型，输出按照风格图片将内容图片进行风格转换后的目标图案；以及将目标图案经过用户确认后作为卡面图案来制作智能卡。本公开还提供了一种智能卡卡面图案定制装置、设备、存储介质和程序产品。

Description

智能卡卡面图案定制方法、装置、电子设备及介质
技术领域
本公开涉及人工智能技术领域，具体涉及图像识别领域，更具体地涉及一种智能卡卡面图案定制方法、装置、电子设备及介质。
背景技术
目前，用户在申请银行卡时，银行卡卡面图案一种是固定的图案，另一种是用户自己选定的图案作为银行卡的卡面图案。
然而，现有的银行卡卡面图案定制技术中，用户虽然可以用自己喜欢的图案作为银行卡的卡面图案，但是不能将多张图案的风格进行融合生成新的图案。例如，用户很喜欢某个摄影师拍照风格，想将自己的某张照片融合出摄影师拍出来的照片风格，使得定制的银行卡的卡面图案信息内容更加多样性，传统的银行卡卡面图案定制技术无法满足用户需求，不能给用户提供丰富的视觉信息。
发明内容
为了克服了现有银行卡卡面图案定制技术中无法融合多种图片风格信息的不足，本公开提供了一种智能卡卡面图案定制方法、装置、电子设备及介质。
根据本公开的第一个方面，提供了一种智能卡卡面图案定制方法，包括：接收用户发送的卡面图案定制请求，卡面图案定制请求包括用户指定的风格图片和内容图片；将风格图片和内容图片输入训练好的图片风格迁移模型，输出按照风格图片将内容图片进行风格转换后的目标图案；以及将目标图案经过用户确认后作为卡面图案来制作智能卡。
根据本公开的实施例，图片风格迁移模型依次由编码器网络模型、自适应实例归一化层和解码器网络模型搭建而成，其中：编码器网络模型采用VGG-19卷积神经网络结构并在VGG-19卷积神经网络结构之中并行加入三种不同扩张率的空洞卷积结构；自适应实例归一化层用于对经过编码器的特征进行实例归一化；解码器网络模型的网络结构与编码器网络模型对称。
根据本公开的实施例，编码器网络模型包括14个卷积层、5个池化层、3个空洞卷积层、3个全连接层和1个softmax分类器，3个空洞卷积层并行设置于第9个卷积层与第10个卷积层之间，每个卷积层、空洞卷积层和全连接层后面都附上ReLU激活函数。
根据本公开的实施例，编码器网络模型是通过以下方式进行训练的：获取包含多张第一风格图片和第一内容图片的第一图像数据集，对第一图像数据集进行预处理，将预处理后的第一图像数据集随机拆分为训练集与验证集；将训练集经过预设格式转换后输入编码器网络模型进行特征编码，使用Adam梯度下降算法训练编码器网络模型，得到训练好的编码器网络模型。
根据本公开的实施例，对第一图像数据集进行预处理，包括：将第一图像数据集缩放至预设尺寸；对预设尺寸的第一图像数据集进行模糊处理、光照调整或旋转操作。
根据本公开的实施例，编码器网络模型中的第12个卷积层附上的ReLU激活函数之后连接自适应实例归一化层。
根据本公开的实施例，解码器网络模型采用编码器网络模型中的第12个卷积层附上的ReLU激活函数之前相对称的网络结构，并且将编码器网络模型中的池化层均替换为上采样层。
根据本公开的实施例，图片风格迁移模型是通过以下方式进行训练的：获取包含多张第二风格图片和第二内容图片的第二图像数据集，对第二图像数据集进行预处理，将预处理后的第二图像数据集随机拆分为训练集与验证集；将训练集经过预设格式转换后输入编码器网络模型进行特征编码，使用Adam梯度下降算法训练编码器网络模型，得到训练好的编码器网络模型。
根据本公开的实施例，用户指定的内容图片为多个。
本公开的第二方面提供了一种智能卡卡面图案定制装置，包括：定制请求模块，用于接收用户发送的卡面图案定制请求，卡面图案定制请求包括用户指定的风格图片和内容图片；风格转换模块，用于将风格图片和内容图片输入训练好的图片风格迁移模型，输出按照风格图片将内容图片进行风格转换后的目标图案；以及图案制作模块，用于将目标图案经过用户确认后作为卡面图案来制作智能卡。
本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述智能卡卡面图案定制方法。
本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述智能卡卡面图案定制方法。
本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述智能卡卡面图案定制方法。
与现有技术相比，本公开提供的智能卡卡面图案定制方法、装置、电子设备及介质，至少具有以下有益效果：
(1)本公开能够融合多张图片的图案信息，增加图片风格的多样性，使用户能智能定制出心仪的卡面图案，提升用户使用体验。
(2)本公开搭建和训练深度学习的图片风格迁移网络模型，模型只需要训练一次就可以迁移各类风格的图片。图片风格迁移网络模型将内容图片与风格图片进行融合，使最后生成的图片风格不再是单一风格，图片呈现多元化图像风格，满足不同人的图像需求。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的智能卡卡面图案定制方法及装置的应用场景图；
图2示意性示出了根据本公开实施例的智能卡卡面图案定制方法的流程图；
图3示意性示出了根据本公开实施例的图片风格迁移模型的搭建流程图；
图4示意性示出了根据本公开实施例的编码器网络模型的网络结构图；
图5示意性示出了根据本公开实施例的编码器网络模型的训练方法流程图；
图6示意性示出了根据本公开实施例的图像数据集预处理的流程图；
图7示意性示出了根据本公开实施例的解码器网络模型的网络结构图；
图8示意性示出了根据本公开实施例的图片风格迁移模型的训练方法流程图；
图9示意性示出了根据本公开实施例的智能卡卡面图案定制装置的结构框图；
图10示意性示出了根据本公开实施例的适于实现智能卡卡面图案定制方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
本公开的实施例提供一种智能卡卡面图案定制方法、装置、电子设备及介质，涉及人工智能技术领域。该方法包括：接收用户发送的卡面图案定制请求，卡面图案定制请求包括用户指定的风格图片和内容图片；将风格图片和内容图片输入训练好的图片风格迁移模型，输出按照风格图片将内容图片进行风格转换后的目标图案；以及将目标图案经过用户确认后作为卡面图案来制作智能卡。
图1示意性示出了根据本公开实施例的智能卡卡面图案定制方法及装置的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的智能卡卡面图案定制方法一般可以由服务器105执行。相应地，本公开实施例所提供的智能卡卡面图案定制装置一般可以设置于服务器105中。本公开实施例所提供的智能卡卡面图案定制方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的智能卡卡面图案定制装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的应用场景，通过图2～图8对公开实施例的智能卡卡面图案定制方法进行详细描述。
图2示意性示出了根据本公开实施例的智能卡卡面图案定制方法的流程图。
如图2所示，该实施例的智能卡卡面图案定制方法可以包括操作S210～操作S230，该智能卡例如可以包括银行卡或会员卡。
在操作S210，接收用户发送的卡面图案定制请求，卡面图案定制请求包括用户指定的风格图片和内容图片。
该卡面图案定制请求可以是用户在定制客户端上上传的图案定制信息。此时，该风格图片和内容图片各自例如可以内置于定制客户端，定制客户端提供包含多种图片的图片库以供用户选择，也可以由用户自定义并上传至定制客户端，以个性化地定制卡面图案。
在操作S220，将风格图片和内容图片输入训练好的图片风格迁移模型，输出按照风格图片将内容图片进行风格转换后的目标图案。
图片风格迁移模型可以将原始图片按照预设风格进行风格转换，以生成用户需要的目标图案。
在操作S230，将目标图案经过用户确认后作为卡面图案来制作智能卡。
将模型输出的图片传入定制客户端，用户需要对图片风格迁移模型生成的目标图案进行审核确认，待确认成功后定制客户端将该目标图案作为智能卡的卡面图案。
通过本公开的实施例，能够融合多张图片的图案信息，增加图片风格的多样性，使用户能智能定制出心仪的卡面图案，提升用户使用体验。
图3示意性示出了根据本公开实施例的图片风格迁移模型的搭建流程图。图4示意性示出了根据本公开实施例的编码器网络模型的网络结构图。
如图3和图4所示，图片风格迁移模型依次由编码器网络模型、自适应实例归一化层和解码器网络模型搭建而成。编码器网络模型将输入的风格图片和内容图片进行特征编码，然后编码后的风格特征和内容特征分别输入至自适应实例归一化层进行实例归一化。解码器网络模型采用与编码器网络模型类似对称的网络结构，将特征空间转成图像空间，生成风格化特征图片。
其中，编码器网络模型采用VGG-19卷积神经网络结构并在VGG-19卷积神经网络结构之中并行加入三种不同扩张率的空洞卷积结构。由此，编码器网络模型基于VGG-19卷积神经网络搭建，同时在VGG-19卷积神经网络中加入三种扩张率的空洞卷积结构，三种不同扩张率的空洞卷积得到的特征图和上层输出进行融合，可以增加上下文信息，提高网络的特征学习能力。
自适应实例归一化层用于对经过编码器的特征进行实例归一化。解码器网络模型的网络结构与编码器网络模型对称。
继续如图4所示，编码器网络模型包括14个卷积层、5个池化层、3个空洞卷积层、3个全连接层和1个softmax分类器，3个空洞卷积层并行设置于第9个卷积层与第10个卷积层之间，每个卷积层、空洞卷积层和全连接层后面都附上ReLU激活函数。
具体来说，首先，按照卷积层的先后顺序进行排列，第1个卷积层后面附上第1个ReLU激活函数，第2个卷积层后面附上第2个ReLU激活函数并且在第2个ReLU激活函数后面附上第1个池化层，第3个卷积层后面附上第3个ReLU激活函数，第4个卷积层后面附上第4个ReLU激活函数并且在第4个ReLU激活函数后面附上第2个池化层，第5个卷积层后面附上第5个ReLU激活函数，第6个卷积层后面附上第6个ReLU激活函数，第7个卷积层后面附上第7个ReLU激活函数，第8个卷积层后面附上第8个ReLU激活函数并且在第8个ReLU激活函数后面附上第3个池化层，第9个卷积层后面附上第9个ReLU激活函数。特别地，在第9个ReLU激活函数与第10个卷积层之间并行增设第1个空洞卷积层、第2个空洞卷积层和第3个空洞卷积层，第1个空洞卷积层的后面附上第10个ReLU激活函数，第2个空洞卷积层的后面附上第11个ReLU激活函数，第3个空洞卷积层的后面附上第12个ReLU激活函数。然后，第10个卷积层后面附上第13个ReLU激活函数，第11个卷积层后面附上第14个ReLU激活函数并且在第14个ReLU激活函数后面附上第4个池化层，第12个卷积层后面附上第15个ReLU激活函数，第13个卷积层后面附上第16个ReLU激活函数，第14个卷积层后面附上第17个ReLU激活函数，第15个卷积层后面附上第18个ReLU激活函数并且在第18个ReLU激活函数后面附上第5个池化层。最后，第5个池化层的后面接入第1个全连接层并且在第1个全连接层后面附上第19个ReLU激活函数，第2个全连接层后面附上第20个ReLU激活函数，第3个全连接层后面附上第21个ReLU激活函数，最终接入1个softmax分类器，由此构成完整的编码器网络模型。
可选地，空洞卷积结构的扩张率例如可以分别设置为1、2和5。
由此，本实施例将VGG-19卷积神经网络的一个卷积层改成了三种扩张率的空洞卷积结构，使用1、2和5这三种扩张率的空洞卷积并行操作，并将这三种不同扩张率的空洞卷积层得到的特征图和上层输出进行融合，可以进一步增加上下文信息，提高网络的特征学习能力。
在搭建完成编码器网络模型后，开始对该模型进行训练。图5示意性示出了根据本公开实施例的编码器网络模型的训练方法流程图。
如图5所示，该实施例的编码器网络模型的训练方法可以包括操作S510～操作S520。
在操作S510，获取包含多张第一风格图片和第一内容图片的第一图像数据集，对第一图像数据集进行预处理，将预处理后的第一图像数据集随机拆分为训练集与验证集。
在操作S520，将训练集经过预设格式转换后输入编码器网络模型进行特征编码，使用Adam梯度下降算法训练编码器网络模型，得到训练好的编码器网络模型。
通过本公开的实施例，利用收集图像分类的公开数据集，对搭建好的模型进行训练，得到训练好的编码器网络模型。
图6示意性示出了根据本公开实施例的图像数据集预处理的流程图。
如图6所示，上述操作S510中的对第一图像数据集进行预处理，可以包括操作S5101～操作S5102。
在操作S5101，将第一图像数据集缩放至预设尺寸。
可选地，该预设尺寸为256×256。于是，将收集的第一图像数据集的图像大小归一化为256×256。
在操作S5102，对预设尺寸的第一图像数据集进行模糊处理、光照调整或旋转操作。
模糊处理、光照调整或旋转操作都作为图像数据的增强操作，可以根据实际需要采用其中一种或多种的组合进行。
可选地，该预设格式为tfrecord文件格式。将第一图像数据集中的图片转化为tfrecord文件格式，tfrecord文件格式可以被快速的加载到内存中，从而节省编码器网络模型的训练时间。
本公开实施例中，编码器网络模型中的第12个卷积层附上的第15个ReLU激活函数之后连接自适应实例归一化层。具体地，自适应实例归一化层根据以下公式进行实例归一化：
Figure BDA0003498268900000091
式中，x表示第一内容图片经过特征编码后的特征图；y表示第一风格图片经过特征编码后的特征图；μ(x)表示第一内容图片的特征图的均值；μ(y)表示第一风格图片的特征图的均值；δ(x)表示第一内容图片的特征图的方差；μ(y)表示第一风格图片的特征图的方差；Tcs(x，y)表示将第一内容图片和第一风格图片进行实例归一化的目标特征。
由此可见，本实施例在编码器网络模型训练完成后，将风格图片和内容图片都从图像空间转到特征空间，用第15个ReLU激活函数输出的特征图与自适应实例归一化层连接。自适应实例归一化层可以对内容图片进行归一化，输入为第15个ReLU激活函数输出的内容图片的特征图x和风格图片的特征图y，将每通道的内容图片的特征图的均值和方差来匹配风格图片的每个通道的特征图的均值和方差。
图7示意性示出了根据本公开实施例的解码器网络模型的网络结构图。
如图7所示，本公开实施例中，解码器网络模型采用编码器网络模型中的第12个卷积层附上的第15个ReLU激活函数之前相对称的网络结构，并且将编码器网络模型中的池化层均替换为上采样层。
具体来说，解码器网络模型包括12个卷积层、4个上采样层、3个空洞卷积层，每个卷积层和空洞卷积层的后面都附上ReLU激活函数，由此构成15个ReLU激活函数。其中，3个空洞卷积层并行设置于第3个ReLU激活函数与第4个卷积层之间。具体的网络结构参见图7，可以按照编码器网络模型进行推导得出，在此不再赘述。
基于上述公开内容，可以得到搭建好的图片风格迁移模型。图8示意性示出了根据本公开实施例的图片风格迁移模型的训练方法流程图。
如图8所示，本公开实施例中，图片风格迁移模型的训练方法可以包括操作S810～操作S820。
在操作S810，获取包含多张第二风格图片和第二内容图片的第二图像数据集，对第二图像数据集进行预处理，将预处理后的第二图像数据集随机拆分为训练集与验证集。
具体地，可以参照上述操作S510，图片风格迁移模型所需的公开图像数据集，将收集的公开图像数据集的图像大小归一化成256×256，然后将该图像数据集按照比例随机分成训练集与验证集。
在操作S820，将训练集经过预设格式转换后输入编码器网络模型进行特征编码，使用Adam梯度下降算法训练编码器网络模型，得到训练好的编码器网络模型。
接着，可以参照上述操作S520，将图像数据集中的图片转化为tfrecord文件格式。将上述预处理后的图像数据集送入图片风格迁移网络模型中，使用Adam梯度下降算法训练优化图片风格迁移网络模型，得到训练后的图片风格迁移网络模型。
本公开实施例中，图片风格迁移模型通过最小化损失函数进行模型优化，总损失函数根据以下公式计算得出：
Lcs＝Lc+λLs
式中，Lcs表示训练时的总损失函数；Lc表示内容损失，Ls表示风格损失；λ为权重超参数。
本公开实施例中，用户指定的内容图片为多个。由此，可以根据用户的实际需要按照风格图片融合多张内容图片，使用户智能的定制出心仪的智能卡卡面图案。
需要说明的是，本公开实施例中，用户在定制图片时，可以有二种方案。第一种方案，用户不上传指定风格的图片，直接将内容图片作为最终智能卡的卡面的图片，当用户上传内容图片后直接进入操作S230，等待用户确认图片。第二种方案，用户上传了指定的风格图片，想要将内容图片进行风格转换，当用户上传完风格图片和内容图片后，定制客户端会将用户的上传的图片送入操作S220中的图片风格迁移模型中，进行内容图片的风格转换。
在第一种方案的情况下，定制客户端提示用户确认是否直接将内容图片作为智能卡最终的卡面图案。在第二种方案的情况下，定制客户端会提示用户确认是否将操作S220中的模型输出的图片作为智能卡最终的卡面图案，用户确认成功后定制客户端将该确认图片作为卡面图案。
基于上述公开内容，本公开实施例提供的智能卡卡面图案定制方法，能够融合多张图片的图案信息，增加图片风格的多样性，使用户能智能定制出心仪的卡面图案，提升用户使用体验。本公开搭建和训练深度学习的图片风格迁移网络模型，模型只需要训练一次就可以迁移各类风格的图片。图片风格迁移网络模型将内容图片与风格图片进行融合，使最后生成的图片风格不再是单一风格，图片呈现多元化图像风格，满足不同人的图像需求。
基于上述智能卡卡面图案定制方法，本公开还提供了一种智能卡卡面图案定制装置。以下将结合图9对该装置进行详细描述。
图9示意性示出了根据本公开实施例的智能卡卡面图案定制装置的框图。
如图9所示，该实施例的智能卡卡面图案定制装置900包括定制请求模块910、风格转换模块920和图案制作模块930。
定制请求模块910，用于接收用户发送的卡面图案定制请求，卡面图案定制请求包括用户指定的风格图片和内容图片。在一实施例中，定制请求模块910可以用于执行前文描述的操作S210，在此不再赘述。
风格转换模块920，用于将风格图片和内容图片输入训练好的图片风格迁移模型，输出按照风格图片将内容图片进行风格转换后的目标图案。在一实施例中，风格转换模块920可以用于执行前文描述的操作S220，在此不再赘述。
图案制作模块930，用于将目标图案经过用户确认后作为卡面图案来制作智能卡。在一实施例中，图案制作模块930可以用于执行前文描述的操作S230，在此不再赘述。
通过本公开的实施例，本公开搭建和训练深度学习的图片风格迁移网络模型，模型只需要训练一次就可以迁移各类风格的图片。图片风格迁移网络模型将内容图片与风格图片进行融合，使最后生成的图片风格不再是单一风格，图片呈现多元化图像风格，满足不同人的图像需求。
根据本公开的实施例，定制请求模块910、风格转换模块920和图案制作模块930中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，定制请求模块910、风格转换模块920和图案制作模块930中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，定制请求模块910、风格转换模块920和图案制作模块930中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于实现智能卡卡面图案定制方法的电子设备的方框图。
如图10所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶晶示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的智能卡卡面图案定制方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的智能卡卡面图案定制方法。
在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (13)

1.一种智能卡卡面图案定制方法，包括：
接收用户发送的卡面图案定制请求，所述卡面图案定制请求包括用户指定的风格图片和内容图片；
将所述风格图片和内容图片输入训练好的图片风格迁移模型，输出按照所述风格图片将所述内容图片进行风格转换后的目标图案；以及
将所述目标图案经过用户确认后作为卡面图案来制作智能卡。
2.根据权利要求1所述的方法，其中，所述图片风格迁移模型依次由编码器网络模型、自适应实例归一化层和解码器网络模型搭建而成，其中：
所述编码器网络模型采用VGG-19卷积神经网络结构并在所述VGG-19卷积神经网络结构之中并行加入三种不同扩张率的空洞卷积结构；
所述自适应实例归一化层用于对经过所述编码器的特征进行实例归一化；
所述解码器网络模型的网络结构与所述编码器网络模型对称。
3.根据权利要求2所述的方法，其中，所述编码器网络模型包括14个卷积层、5个池化层、3个空洞卷积层、3个全连接层和1个softmax分类器，所述3个空洞卷积层并行设置于第9个卷积层与第10个卷积层之间，每个卷积层、空洞卷积层和全连接层后面都附上ReLU激活函数。
4.根据权利要求2所述的方法，其中，所述编码器网络模型是通过以下方式进行训练的：
获取包含多张第一风格图片和第一内容图片的第一图像数据集，对所述第一图像数据集进行预处理，将预处理后的第一图像数据集随机拆分为训练集与验证集；
将所述训练集经过预设格式转换后输入编码器网络模型进行特征编码，使用Adam梯度下降算法训练所述编码器网络模型，得到训练好的编码器网络模型。
5.根据权利要求4所述的方法，其中，所述对所述第一图像数据集进行预处理，包括：
将所述第一图像数据集缩放至预设尺寸；
对预设尺寸的第一图像数据集进行模糊处理、光照调整或旋转操作。
6.根据权利要求3所述的方法，其中，所述编码器网络模型中的第12个卷积层附上的ReLU激活函数之后连接所述自适应实例归一化层。
7.根据权利要求3所述的方法，其中，所述解码器网络模型采用所述编码器网络模型中的第12个卷积层附上的ReLU激活函数之前相对称的网络结构，并且将所述编码器网络模型中的池化层均替换为上采样层。
8.根据权利要求1所述的方法，其中，所述图片风格迁移模型是通过以下方式进行训练的：
获取包含多张第二风格图片和第二内容图片的第二图像数据集，对所述第二图像数据集进行预处理，将预处理后的第二图像数据集随机拆分为训练集与验证集；
将所述训练集经过预设格式转换后输入编码器网络模型进行特征编码，使用Adam梯度下降算法训练所述编码器网络模型，得到训练好的编码器网络模型。
9.根据权利要求1所述的方法，其中，所述用户指定的内容图片为多个。
10.一种智能卡卡面图案定制装置，包括：
定制请求模块，用于接收用户发送的卡面图案定制请求，所述卡面图案定制请求包括用户指定的风格图片和内容图片；
风格转换模块，用于将所述风格图片和内容图片输入训练好的图片风格迁移模型，输出按照所述风格图片将所述内容图片进行风格转换后的目标图案；以及
图案制作模块，用于将所述目标图案经过用户确认后作为卡面图案来制作智能卡。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。
CN202210123262.1A 2022-02-09 2022-02-09 智能卡卡面图案定制方法、装置、电子设备及介质 Pending CN114463466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123262.1A CN114463466A (zh) 2022-02-09 2022-02-09 智能卡卡面图案定制方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123262.1A CN114463466A (zh) 2022-02-09 2022-02-09 智能卡卡面图案定制方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114463466A true CN114463466A (zh) 2022-05-10

Family

ID=81414190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123262.1A Pending CN114463466A (zh) 2022-02-09 2022-02-09 智能卡卡面图案定制方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114463466A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485504A (zh) * 2023-06-19 2023-07-25 深圳索信达数据技术有限公司 支付卡定制方法、计算机设备和计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485504A (zh) * 2023-06-19 2023-07-25 深圳索信达数据技术有限公司 支付卡定制方法、计算机设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
US10885111B2 (en) Generating cross-domain data using variational mapping between embedding spaces
US11257217B2 (en) Image segmentation using neural networks
WO2023159746A1 (zh) 基于图像分割的图像抠图方法、装置、计算机设备及介质
US11030726B1 (en) Image cropping with lossless resolution for generating enhanced image databases
CN116681630B (zh) 图像处理方法、装置、电子设备及存储介质
CN116645668B (zh) 图像生成方法、装置、设备以及存储介质
CN117576264B (zh) 图像生成方法、装置、设备及介质
CN115757725A (zh) 问答处理方法、装置、计算机设备及存储介质
CN111133458A (zh) 增强神经网络
JP2023001926A (ja) 画像融合方法及び装置、画像融合モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN117132456A (zh) 图像生成方法、装置、电子设备及存储介质
CN114463466A (zh) 智能卡卡面图案定制方法、装置、电子设备及介质
CN116975357A (zh) 视频生成方法、装置、电子设备、存储介质及程序产品
CN116958325A (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN116823984A (zh) 元素布局信息生成方法、装置、设备、介质和程序产品
CN113610228B (zh) 神经网络模型的构建方法及装置
CN110879865B (zh) 核身产品的推荐方法和装置
CN111552871A (zh) 基于应用使用记录的信息推送方法、装置及相关设备
CN112419216A (zh) 图像去干扰方法、装置、电子设备及计算机可读存储介质
CN118115631B (zh) 图像生成方法、装置、电子设备和计算机可读介质
CN118096924B (zh) 图像处理方法、装置、设备及存储介质
US20240193839A1 (en) Automatically generating a custom artificially intelligent (ai) character based on a user-provided description of the ai character
CN113761997B (zh) 生成半遮挡人脸识别器的方法和装置
CN113158948B (zh) 信息生成方法、装置、终端设备
CN118135058A (zh) 图像生成方法和装置

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