CN115309563A - 5g消息生成方法、设备、存储介质及产品 - Google Patents

5g消息生成方法、设备、存储介质及产品 Download PDF

Info

Publication number
CN115309563A
CN115309563A CN202110504159.7A CN202110504159A CN115309563A CN 115309563 A CN115309563 A CN 115309563A CN 202110504159 A CN202110504159 A CN 202110504159A CN 115309563 A CN115309563 A CN 115309563A
Authority
CN
China
Prior art keywords
message
loss
style
image
content
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
CN202110504159.7A
Other languages
English (en)
Inventor
邢彪
丁东
胡皓
陈嫦娇
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang 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 China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110504159.7A priority Critical patent/CN115309563A/zh
Publication of CN115309563A publication Critical patent/CN115309563A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/12—Messaging; Mailboxes; Announcements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种5G消息生成方法，包括以下步骤：在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息。本发明还公开了一种5G消息生成设备、存储介质及计算机程序产品。本发明能够生成具有行业客户所需风格的5G消息，使得目标5G消息能够满足行业客户的需求多样性，从而快速为行业客户提供其所需风格的5G消息，提升了用户体验。

Description

5G消息生成方法、设备、存储介质及产品
技术领域
本发明涉及移动通信技术领域，尤其涉及一种5G消息生成方法、设备、存储介质及产品。
背景技术
目前5G技术是新一代基础设置建设的重要组成部分，5G消息是5G技术的应用之一。相较于功能单一的传统短信，5G消息不仅拓宽了信息收发的广度，支持用户使用文本、音视频、卡片、位置等多媒体内容，更延展了交互体验的深度，用户在消息窗口就能完成服务搜索、发现、交互、支付等业务，构建一站式服务的信息窗口。5G消息兼具面向个人用户交互的消息(C2C)、面向行业客户与个人用户交互的消息(B2C)的特征，它既能方便用户之间传递语音、图片、视频、卡片、文件等富媒体信息，又支持企业在5G消息平台上以聊天机器人的方式提供交互式服务。
目前，为实现5G消息的便利开发，一般通过5G消息开放平台提供消息开发模板给行业客户，行业客户通过5G消息开放平台所提供消息开发模板进行5G消息的生成。这种方式，虽然在一定程度上减轻了行业客户的消息开发难度，但由于消息开发模板的数量有限，造成5G消息的消息风格数量有限，难以满足行业客户对5G消息风格的需求多样性。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种5G消息生成方法、设备、存储介质及产品，旨在解决现有通过消息开发模板得到的5G消息的消息风格难以满足行业客户的需求多样性的技术问题。
为实现上述目的，本发明提供一种5G消息生成方法，所述5G消息生成方法包括以下步骤：
在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；
将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；
基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息。
进一步地，所述将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失的步骤包括：
将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获取所述深度卷积神经网络模型的预设区块输出的消息混合图像特征；
基于所述消息混合图像特征以及5G消息合并信息中的消息内容图像，确定所述消息内容损失，并基于所述消息混合图像特征以及5G消息合并信息中的消息风格图像，确定所述消息风格损失。
进一步地，所述基于所述消息混合图像特征以及5G消息合并信息中的消息内容图像，确定所述消息内容损失的步骤包括：
确定所述消息混合图像特征以及5G消息合并信息中的消息内容图像之间的欧式距离，并将所述欧式距离作为所述消息内容损失。
进一步地，所述基于所述消息混合图像特征以及5G消息合并信息中的消息风格图像，确定所述消息风格损失的步骤包括：
获取所述消息混合图像特征对应的第一格拉姆矩阵，以及所述5G消息合并信息中的消息风格图像对应的第二格拉姆矩阵；
基于所述第一格拉姆矩阵以及所述第二格拉姆矩阵，确定所述消息风格损失。
进一步地，所述基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息的步骤包括：
基于所述消息内容损失以及所述消息风格损失，确定总损失函数，并基于梯度下降算法确定总损失函数对应的最优损失函数；
基于所述最优损失函数以及深度卷积神经网络模型，生成所述目标5G消息。
进一步地，所述基于所述消息内容损失以及所述消息风格损失，确定总损失函数的步骤包括：
获取所述消息内容损失对应的内容权重以及所述消息风格损失对应的风格权重；
基于所述内容权重、风格权重、所述消息内容损失以及所述消息风格损失，确定总损失函数。
进一步地，所述基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息的步骤包括：
分别对所述5G消息风格图像以及5G消息内容图像进行预处理操作，以获得预处理后的5G消息风格图像以及预处理后的5G消息内容图像；
对预处理后的5G消息风格图像以及预处理后的5G消息内容图像进行合并，以获得5G消息合并信息。
此外，为实现上述目的，本发明还提供一种5G消息生成设备，所述5G消息生成设备包括：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5G消息生成程序，所述5G消息生成程序被所述处理器执行时实现前述的5G消息生成方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有5G消息生成程序，所述5G消息生成程序被处理器执行时实现前述的5G消息生成方法的步骤。
此外，为实现上述目的，本发明还提供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前述的5G消息生成方法的步骤。
本发明通过在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；接着将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；而后基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息，进而能够生成具有行业客户所需风格的5G消息，使得目标5G消息能够满足行业客户的需求多样性，从而快速为行业客户提供其所需风格的5G消息，提升了用户体验。同时，通过直接根据5G消息风格图像以及5G消息内容图像得到目标5G消息，无需行业客户对目标5G消息进行消息配置，进一步提升用户体验。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中5G消息生成设备的结构示意图；
图2为本发明5G消息生成方法第一实施例的流程示意图；
图3为本发明5G消息生成装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例5G消息生成设备可以是PC。如图1所示，该5G消息生成设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，5G消息生成设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图1中示出的终端结构并不构成对5G消息生成设备的限定，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。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及5G消息生成程序。
在图1所示的5G消息生成设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的5G消息生成程序。
在本实施例中，5G消息生成设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的5G消息生成程序，其中，处理器1001调用存储器1005中存储的5G消息生成程序时，并执行以下各个实施例中5G消息生成方法的步骤。
本发明还提供一种5G消息生成方法，参照图2，图2为本发明5G消息生成方法第一实施例的流程示意图。
本实施例的5G消息生成方法可以应用于5G消息开放平台，该5G消息开放平台位于行业客户端和MaaP(Messaging as a Platform)系统之间，以帮助行业客户按需实现多场景的A2P沟通，企业(行业客户)可通过平台快速完成消息应用的部署，无需进行复杂的代码开发，以使行业客户简单便捷的创建自己的5G消息应用，即通过5G消息开放平台提供的5G消息开发模板开发5G消息应用，其中，MaaP系统包括MaaP平台管理模块和MaaP平台，MaaP系统是行业5G消息业务的核心网元，其将为行业客户提供5G商业消息业务接入及消息上下行能力，为用户提供行业聊天机器人搜索、详情查询、消息上下行等功能。
本实施例中，该5G消息生成方法包括以下步骤：
步骤S101，在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；
需要说明的是，在行业客户需要新建5G消息时，行业客户在可以通过5G消息开放平台中选择或者输入目标5G消息风格，同时发送或者输入5G消息内容(content)输入至5G消息开放平台；其中，该目标5G消息风格以及5G消息内容均为图像格式。5G消息开放平台获取行业客户输入或者选择的5G消息风格图像以及5G消息内容图像。
本实施例中，在获取到5G消息风格图像以及5G消息内容图像时，5G消息开放平台基于5G消息风格图像以及5G消息内容图像，确定5G消息合并信息，具体地，5G消息开放平台对5G消息风格图像以及5G消息内容图像进行预处理，将预处理后的5G消息风格图像以及5G消息内容图像进行合并，得到5G消息合并信息。
步骤S102，将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；
需要说明的是，该深度卷积神经网络模型为预先训练完成的模型，具体为预训练完成的VGG16模型，该VGG16模型无最后的全连接层和softmax分类器，VGG16模型包含多个block区块，每个区块包含若干卷积层和一个最大池化层。其中，卷积层Conv2D的滤波器(也称为卷积核kernel)的个数设置为64的整数倍数即特征映射的深度，滤波器的形状设置为3*3，滑动步长(stride)为默认(步长即滤波器每次划过的像素数)，激活函数activation设置为“relu”(即纠正线性单元Rectified Linear Unit，是一种非线性操作：Relu(x)＝max(x,0))，填充padding设置为“same”，即输入数据不够卷积核扫描时会对输入数据补零；最大池化层Maxpooling2D的池化窗口大小设置为2*2，滑动步长stride设置为2*2，激活函数设置为“relu”，最大值池化层将卷积核抽取出的特征值中的最大值保留，其他特征值全部丢弃。
本实施例中，在获取到5G消息合并信息之后，将该5G消息合并信息输入至深度卷积神经网络模型进行训练，即将5G消息合并信息输入预训练完成的VGG16模型进行模型训练，根据训练后深度卷积神经网络模型的输出数据确定消息内容损失以及消息风格损失，具体地，获取训练后深度卷积神经网络模型中预设区块的输出数据，根据该输出数据以及5G消息合并信息，计算消息内容损失以及消息风格损失。
步骤S103，基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息。
本实施例中，在获取到消息内容损失以及消息风格损失之后，基于消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息，具体地，计算消息内容损失以及消息风格损失对应的总损失，通过梯度下降算法确定该总损失对应的最小总损失，将最小总损失对应的深度卷积神经网络模型的输出作为目标5G消息，进而使得该目标5G消息迁移风格后的5G消息，也就是说目标5G消息即包含该5G消息内容图像的内容，又具有该行业客户所选择的5G消息风格图像对应的风格。
本实施例提出的5G消息生成方法，通过在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；接着将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；而后基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息，进而能够生成具有行业客户所需风格的5G消息，使得目标5G消息能够满足行业客户的需求多样性，从而快速为行业客户提供其所需风格的5G消息，提升了用户体验。同时，通过直接根据5G消息风格图像以及5G消息内容图像得到目标5G消息，无需行业客户对目标5G消息进行消息配置，进一步提升用户体验。
基于第一实施例，提出本发明5G消息生成方法的第二实施例，在本实施例中，步骤S102包括：
步骤S201，将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获取所述深度卷积神经网络模型的预设区块输出的消息混合图像特征；
步骤S202，基于所述消息混合图像特征以及5G消息合并信息中的消息内容图像，确定所述消息内容损失，并基于所述消息混合图像特征以及5G消息合并信息中的消息风格图像，确定所述消息风格损失。
本实施例中，在获取到5G消息合并信息之后，将该5G消息合并信息输入至深度卷积神经网络模型进行训练，即将5G消息合并信息输入预训练完成的VGG16模型进行模型训练，在训练完成时，获取该深度卷积神经网络模型的预设区块输出的消息混合图像特征，其中，深度卷积神经网络模型包括多个区块，该预设区块可以为该深度卷积神经网络模型中的指定区块，例如，该预设区块为深度卷积神经网络模型的第二个区块。
而后，基于消息混合图像特征以及5G消息合并信息中的消息内容图像，确定消息内容损失，并基于消息混合图像特征以及5G消息合并信息中的消息风格图像，确定消息风格损失，以准确得到消息内容损失以及消息风格损失。
进一步地，一实施例中，该步骤S202包括：
步骤a，确定所述消息混合图像特征以及5G消息合并信息中的消息内容图像之间的欧式距离，并将所述欧式距离作为所述消息内容损失。
具体地，欧式距离公式为：
Figure BDA0003056869210000081
其中，Lcontent为消息内容损失，α为内容权重，Ci,j为消息混合图像特征，Pi,j为消息内容图像。
另一实施例中，该步骤S202包括：
步骤b，获取所述消息混合图像特征对应的第一格拉姆矩阵，以及所述5G消息合并信息中的消息风格图像对应的第二格拉姆矩阵；
步骤c，基于所述第一格拉姆矩阵以及所述第二格拉姆矩阵，确定所述消息风格损失。
优选地，步骤b包括：
步骤b1，获取所述消息混合图像特征对应的原始矩阵以及所述原始矩阵对应的转置矩阵；
步骤b2，基于所述原始矩阵以及所述转置矩阵，确定所述第一格拉姆矩阵。
需要说明的是，格拉姆Gram矩阵可以反映出该组向量中各个向量之间的某种关系。gram矩阵是计算每个通道i的feature map与每个通道j的feature map的内积。grammatrix的每个值可以说是代表i通道的feature map与j通道的feature map的互相关程度。
第一格拉姆矩阵与第二格拉姆矩阵的计算方式相同，即第二格拉姆矩阵是通过消息风格图像的原始矩阵以及消息风格图像对应的转置矩阵得到的。
其中，第一格拉姆矩阵的公式为：
Figure BDA0003056869210000091
G为第一格拉姆矩阵，i为模型的层号，Fi,k为消息混合图像特征对应的原始矩阵，Fj,k为原始矩阵对应的转置矩阵。
本实施例中，在得到第一格拉姆矩阵以及所述第二格拉姆矩阵之后，基于所述第一格拉姆矩阵以及所述第二格拉姆矩阵，确定所述消息风格损失。具体地，消息风格损失的公式为：
Figure BDA0003056869210000092
其中，β为风格权重。Gi,j s,l为第一格拉姆矩阵，Gi,j p,l为第二格拉姆矩阵。
本实施例提出的5G消息生成方法，通过将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获取所述深度卷积神经网络模型的预设区块输出的消息混合图像特征；接着基于所述消息混合图像特征以及5G消息合并信息中的消息内容图像，确定所述消息内容损失，并基于所述消息混合图像特征以及5G消息合并信息中的消息风格图像，确定所述消息风格损失，实现了通过预设区块的消息混合图像特征计算消息内容损失以及消息风格损失，提高了消息内容损失以及消息风格损失的准确性，
基于第一实施例，提出本发明5G消息生成方法的第三实施例，在本实施例中，步骤S103包括：
步骤S301，基于所述消息内容损失以及所述消息风格损失，确定总损失函数，并基于梯度下降算法确定总损失函数对应的最优损失函数；
步骤S302，基于所述最优损失函数以及深度卷积神经网络模型，生成所述目标5G消息。
本实施例中，在获取到消息内容损失以及消息风格损失之后，先根据消息内容损失以及所述消息风格损失计算总损失函数，而后通过梯度下降算法对总损失函数值进行优化，得到总损失函数对应的最优损失函数，并通过最优损失函数以及深度卷积神经网络模型，生成所述目标5G消息，具体地，将该最优损失函数时深度卷积神经网络模型的输出结果作为目标5G消息。
进一步地，一实施例中，步骤S302包括：
步骤d，基于所述最优损失函数对应的模型参数以及所述深度卷积神经网络模型，确定目标模型；
步骤e，基于所述5G消息合并信息以及所述目标模型，生成所述目标5G消息。
本实施例中，在获取到最优损失函数之后，基于最优损失函数对应的模型参数以及深度卷积神经网络模型，确定目标模型，具体地，将该最优损失函数对应的模型参数作为深度卷积神经网络模型的模型参数得到模板模型，而后将5G消息合并信息输入目标模型，将目标模型的输出作为目标5G消息。
又一实施例中，步骤S301包括：
步骤f，获取所述消息内容损失对应的内容权重以及所述消息风格损失对应的风格权重；
步骤g，基于所述内容权重、风格权重、所述消息内容损失以及所述消息风格损失，确定总损失函数。
需要说明的是，内容权重以及风格权重可以进行合理设置或者由用户进行设置，例如在行业客户输入或者选择5G消息风格图像以及5G消息内容图像时，设定内容权重以及风格权重。
本实施例中，先获取所述消息内容损失对应的内容权重以及所述消息风格损失对应的风格权重；而后基于内容权重、风格权重、消息内容损失以及消息风格损失，计算总损失函数，具体地，总损失函数＝内容权重*消息内容损失+风格权重*消息风格损失。
本实施例提出的5G消息生成方法，通过基于所述消息内容损失以及所述消息风格损失，确定总损失函数，并基于梯度下降算法确定总损失函数对应的最优损失函数；接着基于所述最优损失函数以及深度卷积神经网络模型，生成所述目标5G消息，实现了根据消息内容损失以及所述消息风格损失准确地到目标5G消息，进而使得目标5G消息能够满足行业客户的需求多样性，从而快速为行业客户提供其所需风格的5G消息，进一步提升了用户体验。
基于上述各个实施例，提出本发明5G消息生成方法的第五实施例，在本实施例中，步骤S101包括：
步骤S501，分别对所述5G消息风格图像以及5G消息内容图像进行预处理操作，以获得预处理后的5G消息风格图像以及预处理后的5G消息内容图像；
步骤S502，对预处理后的5G消息风格图像以及预处理后的5G消息内容图像进行合并，以获得5G消息合并信息。
本实施例中，在获取到5G消息风格图像以及5G消息内容图像之后，贤弟5G消息风格图像以及5G消息内容图像进行预处理操作，并将预处理后的5G消息风格图像以及预处理后的5G消息内容图像进行合并，以获得5G消息合并信息，具体地，将预处理后的5G消息风格图像以及预处理后的5G消息内容图像在第0维进行拼接，以将预处理后的5G消息风格图像以及预处理后的5G消息内容图像合并为一个张量，以获得5G消息合并信息。
进一步地，一实施例中，步骤S501包括：
步骤h，对所述5G消息风格图像依次进行图像大小调整操作以及归一化操作，以获得预处理后的5G消息风格图像；
步骤i，对所述5G消息内容图像依次进行图像大小调整操作以及归一化操作，以获得预处理后的5G消息内容图像。
本实施例中，预处理操作包括图像大小调整操作以及归一化操作，对5G消息风格图像依次进行图像大小调整操作，例如将5G消息风格图像转换为448*448大小的第一图像，而后对第一图像进行归一化操作，即对第一图像的各个像素点做标准化处理，对第一图像的每一个像素点的像素值按比例压缩至0到1的范围内，然后将每个图像的像素值分别对应减去全局均值图片的像素值以实现归一化，以使经处理后的图像像素值都将被归一化为均值为0、方差为1，其中，全局均值图片的像素值是通过计算训练数据中每个图像的每一个位置像素值的均值所得到。
需要说明的是，5G消息内容图像的预处理方式与5G消息风格图像的预处理方式相同，在此不再赘述。
本实施例提出的5G消息生成方法，通过分别对所述5G消息风格图像以及5G消息内容图像进行预处理操作，以获得预处理后的5G消息风格图像以及预处理后的5G消息内容图像；接着对预处理后的5G消息风格图像以及预处理后的5G消息内容图像进行合并，以获得5G消息合并信息，通过对5G消息风格图像以及5G消息内容图像进行预处理后合并，以使5G消息合并信息满足深度卷积神经网络模型的输入格式要求，进而提升生成目标5G消息的效率。
本发明还提供一种5G消息生成装置，参照图3，所述5G消息生成装置包括：
确定模块10，用于在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；
训练模块20，用于将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；
生成模块30，用于基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息。
上述各程序单元所执行的方法可参照本发明5G消息生成方法各个实施例，此处不再赘述。
本发明还提供一种存储介质，即计算机可读存储介质。本发明存储介质上存储有5G消息生成程序，所述5G消息生成程序被处理器执行时实现如上所述的5G消息生成方法的步骤。
其中，在所述处理器上运行的5G消息生成程序被执行时所实现的方法可参照本发明5G消息生成方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机程序产品，该计算机程序产品上包括5G消息生成程序，所述5G消息生成程序被处理器执行时实现如上所述的5G消息生成方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种5G消息生成方法，其特征在于，所述5G消息生成方法包括以下步骤：
在获取到5G消息风格图像以及5G消息内容图像时，基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息；
将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失；
基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息。
2.如权利要求1所述的5G消息生成方法，其特征在于，所述将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获得消息内容损失以及消息风格损失的步骤包括：
将所述5G消息合并信息输入至深度卷积神经网络模型进行训练，以获取所述深度卷积神经网络模型的预设区块输出的消息混合图像特征；
基于所述消息混合图像特征以及5G消息合并信息中的消息内容图像，确定所述消息内容损失，并基于所述消息混合图像特征以及5G消息合并信息中的消息风格图像，确定所述消息风格损失。
3.如权利要求2所述的5G消息生成方法，其特征在于，所述基于所述消息混合图像特征以及5G消息合并信息中的消息内容图像，确定所述消息内容损失的步骤包括：
确定所述消息混合图像特征以及5G消息合并信息中的消息内容图像之间的欧式距离，并将所述欧式距离作为所述消息内容损失。
4.如权利要求2所述的5G消息生成方法，其特征在于，所述基于所述消息混合图像特征以及5G消息合并信息中的消息风格图像，确定所述消息风格损失的步骤包括：
获取所述消息混合图像特征对应的第一格拉姆矩阵，以及所述5G消息合并信息中的消息风格图像对应的第二格拉姆矩阵；
基于所述第一格拉姆矩阵以及所述第二格拉姆矩阵，确定所述消息风格损失。
5.如权利要求1所述的5G消息生成方法，其特征在于，所述基于所述消息内容损失、消息风格损失以及深度卷积神经网络模型，生成目标5G消息的步骤包括：
基于所述消息内容损失以及所述消息风格损失，确定总损失函数，并基于梯度下降算法确定总损失函数对应的最优损失函数；
基于所述最优损失函数以及深度卷积神经网络模型，生成所述目标5G消息。
6.如权利要求5所述的5G消息生成方法，其特征在于，所述基于所述消息内容损失以及所述消息风格损失，确定总损失函数的步骤包括：
获取所述消息内容损失对应的内容权重以及所述消息风格损失对应的风格权重；
基于所述内容权重、风格权重、所述消息内容损失以及所述消息风格损失，确定总损失函数。
7.如权利要求1至6任一项所述的5G消息生成方法，其特征在于，所述基于所述5G消息风格图像以及5G消息内容图像，确定5G消息合并信息的步骤包括：
分别对所述5G消息风格图像以及5G消息内容图像进行预处理操作，以获得预处理后的5G消息风格图像以及预处理后的5G消息内容图像；
对预处理后的5G消息风格图像以及预处理后的5G消息内容图像进行合并，以获得5G消息合并信息。
8.一种5G消息生成设备，其特征在于，所述5G消息生成设备包括：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5G消息生成程序，所述5G消息生成程序被所述处理器执行时实现如权利要求1至7中任一项所述的5G消息生成方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有5G消息生成程序，所述5G消息生成程序被处理器执行时实现如权利要求1至7中任一项所述的5G消息生成方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的5G消息生成方法的步骤。
CN202110504159.7A 2021-05-08 2021-05-08 5g消息生成方法、设备、存储介质及产品 Pending CN115309563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110504159.7A CN115309563A (zh) 2021-05-08 2021-05-08 5g消息生成方法、设备、存储介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110504159.7A CN115309563A (zh) 2021-05-08 2021-05-08 5g消息生成方法、设备、存储介质及产品

Publications (1)

Publication Number Publication Date
CN115309563A true CN115309563A (zh) 2022-11-08

Family

ID=83854231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110504159.7A Pending CN115309563A (zh) 2021-05-08 2021-05-08 5g消息生成方法、设备、存储介质及产品

Country Status (1)

Country Link
CN (1) CN115309563A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116456289A (zh) * 2023-06-13 2023-07-18 安徽创瑞信息技术有限公司 一种富媒体信息处理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116456289A (zh) * 2023-06-13 2023-07-18 安徽创瑞信息技术有限公司 一种富媒体信息处理方法及系统
CN116456289B (zh) * 2023-06-13 2023-08-15 安徽创瑞信息技术有限公司 一种富媒体信息处理方法及系统

Similar Documents

Publication Publication Date Title
CN107633218B (zh) 用于生成图像的方法和装置
KR101966258B1 (ko) 복수의 동적 아이콘 패널을 업데이트하기 위한 푸시 알림
US20090002368A1 (en) Method, apparatus and a computer program product for utilizing a graphical processing unit to provide depth information for autostereoscopic display
US8749587B2 (en) System and method for content based automatic zooming for document viewing on small displays
US8520967B2 (en) Methods and apparatuses for facilitating generation images and editing of multiframe images
US20060039478A1 (en) Image decoding and reducing apparatus and method
JP4028715B2 (ja) 低表示機能端末に対して画像を送る方法
CN112651475B (zh) 二维码显示方法、装置、设备及介质
WO2020205003A1 (en) Techniques to capture and edit dynamic depth images
CN105260459B (zh) 搜索方法和装置
KR20230013280A (ko) 클라이언트 애플리케이션 콘텐츠 분류 및 발견
JP7261732B2 (ja) 文字の色を決定する方法および装置
CN115309563A (zh) 5g消息生成方法、设备、存储介质及产品
CN114004905A (zh) 人物风格形象图的生成方法、装置、设备及存储介质
CN111833413B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN113313623A (zh) 水印信息显示方法、装置、电子设备、计算机可读介质
CN110647273B (zh) 应用内自定义排版合成长图的方法、装置、设备、介质
CN111857901A (zh) 数据处理方法、生成会话背景的方法、电子设备和介质
JP2020149113A (ja) 学習情報製造装置、情報処理装置、学習情報の製造方法、情報処理方法、およびプログラム
CN113254976B (zh) 打印机安全增强系统、方法和电子设备
CN114969603A (zh) 基于5g消息的图片获取、图片生成方法及系统
CN114239501A (zh) 合同生成方法、装置、设备及介质
CN114862720A (zh) 画布还原方法、装置、电子设备和计算机可读介质
WO2022212669A1 (en) Determining classification recommendations for user content
CN111445557B (zh) 银行网点名片的自动生成方法及装置

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