CN114998631A - 企业logo生成方法、装置及存储介质 - Google Patents
企业logo生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114998631A CN114998631A CN202210941583.2A CN202210941583A CN114998631A CN 114998631 A CN114998631 A CN 114998631A CN 202210941583 A CN202210941583 A CN 202210941583A CN 114998631 A CN114998631 A CN 114998631A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- logo
- enterprise logo
- templates
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域，公开一种企业logo生成方法、装置及存储介质，该方法包括获取待生成企业logo的目标企业的企业基本信息和标志图形信息；基于企业基本信息和标志图形信息生成与目标企业对应的第一特征向量；从模块库中获取与行业类别匹配的多个企业logo模板；计算第一特征向量与多个企业logo模板所对应的第二特征向量的相似度，得到与第一特征向量相似度最高的至少一个第二特征向量；将目标企业的文本信息迁移至至少一个第二特征向量所对应的企业logo模板中，得到与目标企业对应的至少一个企业logo。本发明公开的方法、装置及存储介质可简单便捷的完成企业logo的设计，便于实际推广和应用。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种企业logo生成方法、装置及存储介质。
背景技术
logo是企业形象或者产品形象的符号化体现，其最重要的一个功能就是识别性，便于消费群体或受众将不同企业的同类产品，或同一行业的不同企业区别开来，从而将logo所代表的产品或者企业打造成一种品牌。
现有技术中，对于企业logo的设计大都是由设计人员收集资料并通过设计软件进行设计，这要求设计人员具有一定的图形设计能力，对设计人员的专业素质要求较高，且采用这样的设计方式需要消耗大量的人力成本和时间成本，效率较低。
因此，如何提供一种的有效方案，以便简单便捷的完成企业logo的设计，已成为现有技术中一亟待解决的难题。
发明内容
为了解决现有技术中存在的企业logo设计对设计人员要求高，且设计效率低的问题，本发明的目的在于提供一种企业logo生成方法、装置及存储介质，该企业logo生成方法、装置及存储介质可简单便捷的完成企业logo的设计，便于实际推广和应用。
第一方面，提供了一种企业logo生成方法，包括：
获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，所述企业基本信息包括企业名称、企业口号和行业类别；
基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量；
从模块库中获取与所述行业类别匹配的多个企业logo模板；
计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与所述第一特征向量相似度最高的至少一个第二特征向量，其中企业logo模板所对应的第二特征向量是基于企业logo模板中携带的标志图形信息生成的；
将所述目标企业的文本信息迁移至所述至少一个第二特征向量所对应的企业logo模板中，得到与所述目标企业对应的至少一个企业logo，所述文本信息包括企业名称和企业口号。
基于上述发明内容，提供了一种快速完成企业logo设计的方案，即获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息；基于企业基本信息和标志图形信息生成与目标企业对应的第一特征向量；从模块库中获取与行业类别匹配的多个企业logo模板；计算第一特征向量与多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与第一特征向量相似度最高的至少一个第二特征向量；将目标企业的文本信息迁移至至少一个第二特征向量所对应的企业logo模板中，得到与目标企业对应的至少一个企业logo。如此，设计人员只需要输入待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，即可自动生成至少一个企业logo，不需要设计人员具备图形设计能力，降低了企业logo的设计门槛。同时，也不需要设计人员收集相关资料进行设计，降低了人力成本和时间成本，提高了企业logo的设计效率，以便实际推广和应用。其次，生成的企业logo也能够为进一步深度设计提供参考和灵感。
在一个可能的设计中，基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量，包括：
通过改进的Roberta模型对由所述企业基本信息和所述标志图形信息拼接后得到的拼接信息进行特征提取，得到所述第一特征向量。
在一个可能的设计中，在通过改进的Roberta模型对由所述企业基本信息和所述标志图形信息拼接后得到的拼接信息进行特征提取，得到所述第一特征向量之前，所述方法还包括：
将企业logo样本集合中的企业logo样本进行分组，得到多个包含两个企业logo样本的样本分组；
基于预先建立的Roberta模型对企业logo样本集合中各企业logo样本携带的标志图形信息进行特征向量提取，得到企业logo样本集合中各企业logo样本所对应的初始特征向量；
基于同一样本分组中的两个企业logo样本所对应的初始特征向量的相似度，以及所述同一样本分组中的两个企业logo样本的相似度，构建所述Roberta模型的损失函数；
调整Roberta模型的网络参数，直至所述Roberta模型的损失函数收敛，得到所述改进的Roberta模型。
在一个可能的设计中，所述损失函数为
，其中，u表示样本分组中的其中一个企业logo样本所对应的特征向量，v表示样本分组中的另一个企业logo样本所对应的特征向量，cos（u,v）表示样本分组中的两个企业logo样本所对应的特征向量的余弦相似度，y的取值为0或1，y=1时表示样本分组中的两个企业logo样本相似，y=0时表示样本分组中的两个企业logo样本不相似。
在一个可能的设计中，在计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度之前，所述方法还包括：
提取所述多个企业logo模板中各企业logo模板携带的标志图形信息；
基于所述多个企业logo模板中各企业logo模板携带的标志图形信息，生成与所述多个企业logo模板中各企业logo模板所对应的第二特征向量。
在一个可能的设计中，所述方法还包括：
基于分类模型提取所述多个企业logo模板中各企业logo模板所对应的主题颜色、主题风格及行业类别；
所述基于所述多个企业logo模板中各企业logo模板携带的标志图形信息，生成与所述多个企业logo模板中各企业logo模板所对应的第二特征向量，包括：
将所述多个企业logo模板中各企业logo模板携带的标志图形信息、所述多个企业logo模板中各企业logo模板所对应的主题颜色、所述多个企业logo模板中各企业logo模板所对应的主题风格以及所述多个企业logo模板中各企业logo模板所对应的行业类别进行拼接后进行特征提取，得到所述多个企业logo模板中各企业logo模板所对应的第二特征向量。
在一个可能的设计中，所述方法还包括：
基于CycleGAN网络将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格。
第二方面，提供了一种企业logo生成装置，包括：
获取单元，用于获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，所述企业基本信息包括企业名称、企业口号和行业类别；
生成单元，用于基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量；
匹配单元，用于从模块库中获取与所述行业类别匹配的多个企业logo模板；
计算单元，用于计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与所述第一特征向量相似度最高的至少一个第二特征向量，其中企业logo模板所对应的第二特征向量是基于企业logo模板中携带的标志图形信息生成的；
迁移单元，用于将所述目标企业的文本信息迁移至所述至少一个第二特征向量所对应的企业logo模板中，得到与所述目标企业对应的至少一个企业logo，所述文本信息包括企业名称和企业口号。
第三方面，本发明提供了一种企业logo生成装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如上述第一方面所述的企业logo生成方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行第一方面所述的企业logo生成方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的企业logo生成方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本申请实施例提供的企业logo生成方法的流程图。
图2是本申请实施例提供的企业logo生成装置的结构示意图。
图3是本申请实施例提供的另一企业logo生成装置的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元，并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
实施例
为了方便企业logo的设计，本申请实施例提供了一种企业logo生成方法、装置及存储介质，该企业logo生成方法、装置及存储介质可简单便捷的完成企业logo的设计，便于实际推广和应用。
本实施例第一方面所提供的企业logo生成方法，可应用于用户终端或服务器，所述用户终端可以是，但不限于个人电脑（personal computer，PC）、平板电脑、智能手机、个人数字助理（personal digital assistant，PDA）等。
可以理解，所述执行主体并不构成对本申请实施例的限定。
下面将对本申请实施例提供的企业logo生成方法进行详细说明。
如图1所示，是本申请实施例提供的应用于服务器的企业logo生成方法的流程图，所述企业logo生成方法可以包括如下步骤：
步骤S101.获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息。
其中，所述企业基本信息包括企业名称、企业口号和行业类别等。标志图形信息用于描述待生成的企业logo的标志图形，所述标志图形为一可识别的形象，通过这个形象可识别对应的企业或品牌，所述标志图形可以是抽象表现形式的图形，如圆形标志图形、三角形的标志图形等，所述标志图形也可以是文字表现形式的图形，如汉字标志图形、数字标志图形等，所述标志图形还可以是具象表现形式的图形，如人体造型的图形、动物造型的图形、植物造型的图形、器物造型的图形等。例如腾讯的企鹅图形、乔丹体育的运球的人物图形均可以称为标志图形。
标志图形信息用于描述待生成的企业logo的标志图形，举例标志图形信息可以是“在logo的左上角有一篮球”、“在logo的中央有一红苹果”等描述标志图形的信息。
本申请实施例中，企业基本除企业名称、企业口号和行业类别外，还可以包括其他用于描述公司的相关信息。
步骤S102.基于企业基本信息和标志图形信息生成与目标企业对应的第一特征向量。
具体的，可依次将企业基本信息和标志图形信息拼接组合成信息序列，然后对拼接组合成的信息序列进行特征提取，得到与目标企业对应的第一特征向量。
如企业基本信息包括企业名称、企业口号和行业类别，则在将企业基本信息和标志图形信息拼接组合时，拼接组合成的信息序列可表示为（企业名称，企业口号，行业类别，标志图形信息）。举例待生成企业logo的目标企业为“X科技有限公司”，企业口号为“让X更美好”，行业类别为“企业服务”，标志图形信息为“在logo上方有一个蓝色的圆环”，则将企业基本信息和标志图形信息拼接组合成的信息序列可表示为（X科技有限公司，让X更美好，企业服务，在logo上方有一个蓝色的圆环）。
对拼接组合成的信息序列进行特征提取可以采用，但不限于EBRT（BidirectionalEnoceder Representations from Transformers）模型、改进的Roberta模型。
本申请实施例中，可以采用预先训练的改进的Roberta模型对由所述企业基本信息和所述标志图形信息拼接后得到的拼接信息进行特征提取，得到所述第一特征向量。
改进的Roberta模型在进行训练时，可以先将企业logo样本集合中的企业logo样本进行分组，得到多个包含两个企业logo样本的样本分组（即每两个企业logo样本划分为一个样本分组），并基于预先建立的Roberta模型对企业logo样本集合中各企业logo样本携带的标志图形信息进行特征向量提取，得到企业logo样本集合中各企业logo样本所对应的初始特征向量，然后基于同一样本分组中的两个企业logo样本所对应的初始特征向量的相似度，以及所述同一样本分组中的两个企业logo样本的相似度，构建所述Roberta模型的损失函数，最后不断调整Roberta模型的网络参数，直至所述Roberta模型的损失函数收敛，即可得到所述改进的Roberta模型。
两个企业logo样本所对应的特征向量的相似度，可以采用但不限于通过计算欧式距离、余弦相似度得到。本申请实施例中，两个企业logo样本所对应的特征向量的相似度为余弦相似度，所述损失函数可表示为
，其中，u表示样本分组中的其中一个企业logo样本所对应的特征向量，v表示样本分组中的另一个企业logo样本所对应的特征向量，cos（u,v）表示样本分组中的两个企业logo样本所对应的特征向量的余弦相似度，y的取值为0或1，y=1时表示样本分组中的两个企业logo样本所对应的特征向量相似，y=0时表示样本分组中的两个企业logo样本所对应的特征向量不相似。所述损失函数的目的是使相似度高的两个特征向量的得分尽可能高，而特征相似度低于0.85就不进行优化，从而避免了过度学习。
步骤S103.从模块库中获取与行业类别匹配的多个企业logo模板。
模块库中记录有大量的企业logo模板，并记录有各企业logo模板所对应的行业类别，服务器可从模块库中获取与企业基本信息中的行业类别匹配的多个企业logo模板。其中，企业logo模板与企业基本信息中的行业类别匹配，可以是企业logo模所对应的行业类别与企业基本信息中的行业类别相同或相近。
可以理解的，上述步骤S102与步骤S103的顺序并不限定。
步骤S104.计算第一特征向量与多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与第一特征向量相似度最高的至少一个第二特征向量。
其中，企业logo模板所对应的第二特征向量是基于企业logo模板中携带的标志图形信息生成的，基于企业logo模板中携带的标志图形信息生成第二特征向量，可以采用但不限于前述的EBRT模型或改进的Roberta模型。
与第一特征向量相似度最高的第二特征向量可以是一个或多个，优先为多个，以便于后续能够生成多个企业logo以供用户选择，与第一特征向量相似度最高的第二特征向量的数量可以根据实际情况设定，例如可以是10个、20个或50个。
在一个或多个实施例中，在得到与所述第一特征向量相似度最高的多个第二特征向量后，还可以根据该多个第二特征向量与第一特征向量的相似度，按照相似度从高到低的顺序对该多个第二特征向量进行排序。
本申请实施例中，计算特征向量之间的相似度为现有技术，例如通过余弦相似度（CosineSimilarity）函数计算，本申请实施例中不再进行详细说明。
步骤S105.将目标企业的文本信息迁移至至少一个第二特征向量所对应的企业logo模板中，得到与目标企业对应的至少一个企业logo。
其中，所述文本信息包括企业名称和企业口号。
在将目标企业的文本信息迁移至企业logo模板的过程中，可以通过文本信息中的企业名称替换掉企业logo模板中的企业名称，通过文本信息中的企业口号替换的logo模板中的企业口号即可。
如果将目标企业的文本信息直接迁移至至少一个第二特征向量所对应的企业logo模板中，可能存在文本信息与企业logo模板风格不匹配的问题。因此，在一个或多个实施例中，在将目标企业的文本信息迁移至至少一个第二特征向量所对应的企业logo模板之前或之后，还可将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格。将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格，可以是指将被迁移的文本信息的显示字体和/或显示颜色调整为与对应企业logo模板相匹配。
本申请实施例中，可以但不限于基于CycleGAN网络、Pix2Pix网络将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格。通过将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格，能够避免出现企业名称和企业口号的字体、颜色不和谐的问题，不仅解决了风格冲突问题，同时对于不同模板也能做到较好的适配。
由此通过前述步骤S101～S105所述企业logo生成方法，通过获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息；基于企业基本信息和标志图形信息生成与目标企业对应的第一特征向量；从模块库中获取与行业类别匹配的多个企业logo模板；计算第一特征向量与多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与第一特征向量相似度最高的至少一个第二特征向量；将目标企业的文本信息迁移至至少一个第二特征向量所对应的企业logo模板中，得到与目标企业对应的至少一个企业logo。如此，设计人员只需要输入待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，即可自动生成至少一个企业logo，不需要设计人员具备图形设计能力，降低了企业logo的设计门槛。同时，也不需要设计人员收集相关资料进行设计，降低了人力成本和时间成本，提高了企业logo的设计效率，以便实际推广和应用。其次，生成的企业logo也能够为进一步深度设计提供参考和灵感。另外，采用改进的Roberta模型提取特征向量，能够在不损失模型效果的情况下，提升特征提取的效率。最后，通过将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格，能够避免出现企业名称和企业口号的字体、颜色不和谐的问题，不仅解决了风格冲突问题，同时对于不同模板也能做到较好的适配。
本申请实施例在前述第一方面的技术方案基础上，还具体提出了一种提取企业logo模板所对应的第二特征向量的可能设计一，其可以包括但不限于如下的步骤S201-S202。
步骤S201，提取多个企业logo模板中各企业logo模板携带的标志图形信息。
本申请实施例中，可以采用但不限于通过自动编码机模型、用于视觉识别和扫描的长期循环卷积网络（Long-term Recurrent Convolutional Networks for VisualRecognition and Description）来提取多个企业logo模板中各企业logo模板携带的标志图形信息。
步骤S202，基于多个企业logo模板中各企业logo模板携带的标志图形信息，生成与多个企业logo模板中各企业logo模板所对应的第二特征向量。
本申请实施例中，可以通过但不限于EBRT模型、改进的Roberta模型对各企业logo模板携带的标志图形信息进行特征提取，得到与多个企业logo模板中各企业logo模板所对应的第二特征向量。
其中，需要说明的是，对各企业logo模板携带的标志图形信息进行特征提取所采用的模型，应当与第一方面中对拼接组合成的信息序列进行特征提取所采用的模型一致。以确保与第一特征向量相似度高的第二特征向量，两者所对应的标志图形信息也具有较高的相似性。
在一个或多个实施例中，在生成与各企业logo模板所对应的第二特征向量时，还可以综合考虑企业logo模板所对应的主题颜色、主题风格及行业类别。具体的，可先基于分类模型提取所述多个企业logo模板中各企业logo模板所对应的主题颜色、主题风格及行业类别，然后在将所述多个企业logo模板中各企业logo模板携带的标志图形信息、所述多个企业logo模板中各企业logo模板所对应的主题颜色、所述多个企业logo模板中各企业logo模板所对应的主题风格以及所述多个企业logo模板中各企业logo模板所对应的行业类别进行拼接后进行特征提取，得到所述多个企业logo模板中各企业logo模板所对应的第二特征向量。
由此通过前述的可能设计一，能够提取出各企业logo模板所对应的第二特征向量，以便用于后续的企业logo设计。
第二方面，请参阅图2，本申请实施例提供了一种企业logo生成装置，该企业logo生成装置包括：
获取单元，用于获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，所述企业基本信息包括企业名称、企业口号和行业类别；
生成单元，用于基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量；
匹配单元，用于从模块库中获取与所述行业类别匹配的多个企业logo模板；
计算单元，用于计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与所述第一特征向量相似度最高的至少一个第二特征向量，其中企业logo模板所对应的第二特征向量是基于企业logo模板中携带的标志图形信息生成的；
迁移单元，用于将所述目标企业的文本信息迁移至所述至少一个第二特征向量所对应的企业logo模板中，得到与所述目标企业对应的至少一个企业logo，所述文本信息包括企业名称和企业口号。
本实施例第二方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本申请实施例第三方面提供了一种企业logo生成装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的企业logo生成方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器（RAM）、只读存储器（ROM）、闪存（Flash Memory）、先进先出存储器（FIFO）和/或先进后出存储器（FILO）等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM（Advanced RISCMachines）、X86等架构处理器或集成NPU（neural-network processing units）的处理器；所述收发器可以但不限于为WiFi（无线保真）无线收发器、蓝牙无线收发器、通用分组无线服务技术（General Packet Radio Service，GPRS）无线收发器、紫蜂协议（基于IEEE802.15.4标准的低功耗局域网协议，ZigBee）无线收发器、3G收发器、4G收发器和/或5G收发器等。
本实施例第三方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的企业logo生成方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的企业logo生成方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的企业logo生成方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上所描述的多个实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM／RAM、磁碟、光盘等，包括若干指令用以使得一台仓库代码的合并装置执行各个实施例或者实施例的某些部分所述的方法。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。
Claims (10)
1.一种企业logo生成方法，其特征在于，包括：
获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，所述企业基本信息包括企业名称、企业口号和行业类别；
基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量；
从模块库中获取与所述行业类别匹配的多个企业logo模板；
计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与所述第一特征向量相似度最高的至少一个第二特征向量，其中企业logo模板所对应的第二特征向量是基于企业logo模板中携带的标志图形信息生成的；
将所述目标企业的文本信息迁移至所述至少一个第二特征向量所对应的企业logo模板中，得到与所述目标企业对应的至少一个企业logo，所述文本信息包括企业名称和企业口号。
2.如权利要求1所述的方法，其特征在于，基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量，包括：
通过改进的Roberta模型对由所述企业基本信息和所述标志图形信息拼接后得到的拼接信息进行特征提取，得到所述第一特征向量。
3.如权利要求2所述的方法，其特征在于，在通过改进的Roberta模型对由所述企业基本信息和所述标志图形信息拼接后得到的拼接信息进行特征提取，得到所述第一特征向量之前，所述方法还包括：
将企业logo样本集合中的企业logo样本进行分组，得到多个包含两个企业logo样本的样本分组；
基于预先建立的Roberta模型对企业logo样本集合中各企业logo样本携带的标志图形信息进行特征向量提取，得到企业logo样本集合中各企业logo样本所对应的初始特征向量；
基于同一样本分组中的两个企业logo样本所对应的初始特征向量的相似度，以及所述同一样本分组中的两个企业logo样本的相似度，构建所述Roberta模型的损失函数；
调整Roberta模型的网络参数，直至所述Roberta模型的损失函数收敛，得到所述改进的Roberta模型。
4.如权利要求3所述的方法，其特征在于，所述损失函数为
，其中，u表示样本分组中的其中一个企业logo样本所对应的特征向量，v表示样本分组中的另一个企业logo样本所对应的特征向量，cos（u,v）表示样本分组中的两个企业logo样本所对应的特征向量的余弦相似度，y的取值为0或1，y=1时表示样本分组中的两个企业logo样本相似，y=0时表示样本分组中的两个企业logo样本不相似。
5.如权利要求1所述的方法，其特征在于，在计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度之前，所述方法还包括：
提取所述多个企业logo模板中各企业logo模板携带的标志图形信息；
基于所述多个企业logo模板中各企业logo模板携带的标志图形信息，生成与所述多个企业logo模板中各企业logo模板所对应的第二特征向量。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
基于分类模型提取所述多个企业logo模板中各企业logo模板所对应的主题颜色、主题风格及行业类别；
所述基于所述多个企业logo模板中各企业logo模板携带的标志图形信息，生成与所述多个企业logo模板中各企业logo模板所对应的第二特征向量，包括：
将所述多个企业logo模板中各企业logo模板携带的标志图形信息、所述多个企业logo模板中各企业logo模板所对应的主题颜色、所述多个企业logo模板中各企业logo模板所对应的主题风格以及所述多个企业logo模板中各企业logo模板所对应的行业类别进行拼接后进行特征提取，得到所述多个企业logo模板中各企业logo模板所对应的第二特征向量。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于CycleGAN网络将被迁移的文本信息的渲染风格调整为与对应企业logo模板匹配的风格。
8.一种企业logo生成装置，其特征在于，包括：
获取单元，用于获取待生成企业logo的目标企业的企业基本信息和用于描述企业logo的标志图形的标志图形信息，所述企业基本信息包括企业名称、企业口号和行业类别；
生成单元，用于基于所述企业基本信息和所述标志图形信息生成与所述目标企业对应的第一特征向量；
匹配单元，用于从模块库中获取与所述行业类别匹配的多个企业logo模板；
计算单元，用于计算所述第一特征向量与所述多个企业logo模板中各企业logo模板所对应的第二特征向量的相似度，得到与所述第一特征向量相似度最高的至少一个第二特征向量，其中企业logo模板所对应的第二特征向量是基于企业logo模板中携带的标志图形信息生成的；
迁移单元，用于将所述目标企业的文本信息迁移至所述至少一个第二特征向量所对应的企业logo模板中，得到与所述目标企业对应的至少一个企业logo，所述文本信息包括企业名称和企业口号。
9.一种企业logo生成装置，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7任意一项所述的企业logo生成方法。
10.一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上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7任意一项所述的企业logo生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210941583.2A CN114998631B (zh) | 2022-08-08 | 2022-08-08 | 企业logo生成方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210941583.2A CN114998631B (zh) | 2022-08-08 | 2022-08-08 | 企业logo生成方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114998631A true CN114998631A (zh) | 2022-09-02 |
| CN114998631B CN114998631B (zh) | 2022-11-11 |
Family
ID=83022873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210941583.2A Active CN114998631B (zh) | 2022-08-08 | 2022-08-08 | 企业logo生成方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998631B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832469A (zh) * | 2017-11-29 | 2018-03-23 | 北京洪泰同创信息技术有限公司 | 一种企业logo图像的生成方法及装置 |
| CN108182293A (zh) * | 2018-01-30 | 2018-06-19 | 北京金堤科技有限公司 | 企业标志的查找方法、装置和计算机可读存储介质 |
| CN109859291A (zh) * | 2019-02-21 | 2019-06-07 | 北京一品智尚信息科技有限公司 | 智能logo设计方法、系统和存储介质 |
| CN110196917A (zh) * | 2019-05-30 | 2019-09-03 | 厦门一品威客网络科技股份有限公司 | 个性化logo版式定制方法、系统和存储介质 |
| CN110889883A (zh) * | 2019-11-29 | 2020-03-17 | 焦点科技股份有限公司 | 一种自适应的智能横幅广告图片生成方法及系统 |
| CN111782676A (zh) * | 2020-05-12 | 2020-10-16 | 北京三快在线科技有限公司 | 概率预测模型训练方法、概率预测方法及装置 |
| CN112270167A (zh) * | 2020-10-14 | 2021-01-26 | 北京百度网讯科技有限公司 | 角色标注方法、装置、电子设备和存储介质 |
| CN112418320A (zh) * | 2020-11-24 | 2021-02-26 | 杭州未名信科科技有限公司 | 一种企业关联关系识别方法、装置及存储介质 |
| CN112486988A (zh) * | 2020-11-27 | 2021-03-12 | 京东方科技集团股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112837332A (zh) * | 2021-01-13 | 2021-05-25 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质及处理器 |
| CN113139054A (zh) * | 2021-04-21 | 2021-07-20 | 南通大学 | 一种基于Transformer的代码编程语言分类方法 |
| CN113378552A (zh) * | 2021-07-06 | 2021-09-10 | 焦点科技股份有限公司 | 一种基于多模态gpt2模型的商品标题生成方法 |
| CN114219875A (zh) * | 2021-12-03 | 2022-03-22 | 北京艺源酷科技有限公司 | 一种基于StyleGAN的智能LOGO生成方法 |
| CN114419642A (zh) * | 2021-12-14 | 2022-04-29 | 北京易道博识科技有限公司 | 一种文档图像中键值对信息的抽取方法、装置及系统 |
| US11343405B1 (en) * | 2021-03-10 | 2022-05-24 | Xerox Corporation | Methods and systems for adding one or more new images to an input document |
-
2022
- 2022-08-08 CN CN202210941583.2A patent/CN114998631B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832469A (zh) * | 2017-11-29 | 2018-03-23 | 北京洪泰同创信息技术有限公司 | 一种企业logo图像的生成方法及装置 |
| CN108182293A (zh) * | 2018-01-30 | 2018-06-19 | 北京金堤科技有限公司 | 企业标志的查找方法、装置和计算机可读存储介质 |
| CN109859291A (zh) * | 2019-02-21 | 2019-06-07 | 北京一品智尚信息科技有限公司 | 智能logo设计方法、系统和存储介质 |
| CN110196917A (zh) * | 2019-05-30 | 2019-09-03 | 厦门一品威客网络科技股份有限公司 | 个性化logo版式定制方法、系统和存储介质 |
| CN110889883A (zh) * | 2019-11-29 | 2020-03-17 | 焦点科技股份有限公司 | 一种自适应的智能横幅广告图片生成方法及系统 |
| CN111782676A (zh) * | 2020-05-12 | 2020-10-16 | 北京三快在线科技有限公司 | 概率预测模型训练方法、概率预测方法及装置 |
| CN112270167A (zh) * | 2020-10-14 | 2021-01-26 | 北京百度网讯科技有限公司 | 角色标注方法、装置、电子设备和存储介质 |
| CN112418320A (zh) * | 2020-11-24 | 2021-02-26 | 杭州未名信科科技有限公司 | 一种企业关联关系识别方法、装置及存储介质 |
| CN112486988A (zh) * | 2020-11-27 | 2021-03-12 | 京东方科技集团股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112837332A (zh) * | 2021-01-13 | 2021-05-25 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质及处理器 |
| US11343405B1 (en) * | 2021-03-10 | 2022-05-24 | Xerox Corporation | Methods and systems for adding one or more new images to an input document |
| CN113139054A (zh) * | 2021-04-21 | 2021-07-20 | 南通大学 | 一种基于Transformer的代码编程语言分类方法 |
| CN113378552A (zh) * | 2021-07-06 | 2021-09-10 | 焦点科技股份有限公司 | 一种基于多模态gpt2模型的商品标题生成方法 |
| CN114219875A (zh) * | 2021-12-03 | 2022-03-22 | 北京艺源酷科技有限公司 | 一种基于StyleGAN的智能LOGO生成方法 |
| CN114419642A (zh) * | 2021-12-14 | 2022-04-29 | 北京易道博识科技有限公司 | 一种文档图像中键值对信息的抽取方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| YINHAN LIU等: "RoBERTa: A Robustly Optimized BERT Pretraining Approach", 《ARXIV:1907.11692V1 [CS.CL]》 * |
| 苏剑林: "CoSENT（一）：比Sentence-BERT更有效的句向量方案", 《科学空间：HTTPS://KEXUE.FM/ARCHIVES/8847》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114998631B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658455B (zh) | 图像处理方法和处理设备 | |
| CN108416003A (zh) | 一种图片分类方法和装置、终端、存储介质 | |
| CN107545271B (zh) | 图像识别方法、装置和系统 | |
| CN107590291A (zh) | 一种图片的搜索方法、终端设备及存储介质 | |
| US8804139B1 (en) | Method and system for repurposing a presentation document to save paper and ink | |
| CN110502664A (zh) | 视频标签索引库创建方法、视频标签生成方法及装置 | |
| CN109948518B (zh) | 一种基于神经网络的pdf文档内容文本段落聚合的方法 | |
| CN107741972A (zh) | 一种图片的搜索方法、终端设备及存储介质 | |
| WO2024041032A1 (zh) | 基于不可编辑的图文类图像生成可编辑文档的方法及装置 | |
| CN105117740A (zh) | 字体识别方法及装置 | |
| CN110610180A (zh) | 错别字词识别集的生成方法、装置、设备及存储介质 | |
| CN113627402A (zh) | 一种图像识别方法及相关装置 | |
| CN110232131A (zh) | 基于创意标签的创意素材搜索方法及装置 | |
| US9323726B1 (en) | Optimizing a glyph-based file | |
| CN106599324B (zh) | 一种cad数据抓取方法 | |
| CN114998631B (zh) | 企业logo生成方法、装置及存储介质 | |
| CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
| CN110297932B (zh) | 确定矢量图中封闭图形的最大内接圆的方法、装置及电子设备 | |
| CN112990212A (zh) | 热成像温度图的读数方法、装置、电子设备和存储介质 | |
| CN112069342A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN110414497A (zh) | 对象电子化的方法、装置、服务器及存储介质 | |
| CN115034177A (zh) | 演示文稿转换方法、装置、设备及存储介质 | |
| CN111582281B (zh) | 一种图片显示优化的方法、装置、电子设备和存储介质 | |
| CN114202762A (zh) | 手写样本生成方法、装置及应用 | |
| CN110334234B (zh) | 一种风景图片分类方法及其装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |