CN116110033A - 车牌生成方法、装置、非易失性存储介质和计算机设备 - Google Patents

车牌生成方法、装置、非易失性存储介质和计算机设备 Download PDF

Info

Publication number
CN116110033A
CN116110033A CN202211587607.5A CN202211587607A CN116110033A CN 116110033 A CN116110033 A CN 116110033A CN 202211587607 A CN202211587607 A CN 202211587607A CN 116110033 A CN116110033 A CN 116110033A
Authority
CN
China
Prior art keywords
parameter
parameters
license plate
dimension
model
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
CN202211587607.5A
Other languages
English (en)
Inventor
丁文强
李凡平
石柱国
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.)
ISSA Technology Co Ltd
Original Assignee
ISSA Technology 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 ISSA Technology Co Ltd filed Critical ISSA Technology Co Ltd
Priority to CN202211587607.5A priority Critical patent/CN116110033A/zh
Publication of CN116110033A publication Critical patent/CN116110033A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/18105—Extraction of features or characteristics of the image related to colour
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车牌生成方法、装置、非易失性存储介质和计算机设备。其中，该方法包括：获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的特征参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定待定维度参数的第一参数值；将第一参数值和特征参数的参数值输入解码器，生成目标车牌。本发明解决了由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。

Description

车牌生成方法、装置、非易失性存储介质和计算机设备
技术领域
本发明涉及数据处理领域，具体而言，涉及一种车牌生成方法、装置、非易失性存储介质和计算机设备。
背景技术
随着深度学习技术的不断发展，深度学习技术已经被广泛应用到各个领域，改善了我们的生产生活。然而，深度学习往往需要大量的样本数据支撑，可以说数据是深度学习的前提。当前，基于深度学习的汽车车牌检测已经应用到我们的日常生活中，这些技术的发展应用都需要大量的车牌样本进行训练。由于我国各省市间的车牌不尽相同，对于大量车牌样本的搜集和标注是一个工程量很大的工作。基于现实情况与需求，人工生成车牌数据被人们广泛应用。
现有技术中使用生成对抗网络生成车牌图片。这种方法能够批量的生成车牌图片，且能够生成不同风格的与真实车牌类似的图片。但是，生成车牌的风格和内容不受人为控制，不确定性太强。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车牌生成方法、装置、非易失性存储介质和计算机设备，以至少解决由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。
根据本发明实施例的一个方面，提供了一种车牌生成方法，包括：获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。
可选地，预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：获取训练数据集，其中，训练数据集包括多个车牌样本；根据训练数据集对解耦表征学习模型的原始模型进行训练，确定解耦表征学习模型，其中，解耦表征学习模型包括通过训练确定的特征参数的多个维度参数。
可选地，根据训练数据集对原始模型进行训练，确定解耦表征学习模型，包括：获取超参数的超参数值，并根据超参数值确定原始模型，其中，超参数位于原始模型的损失函数中；根据训练数据集训练原始模型，得到训练模型，其中，训练模型包括特征参数的多个维度参数；在训练模型包括的特征参数的多个维度参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型。
可选地，训练模型的损失函数为：
Figure BDA0003991840450000021
其中，Lβ-TC为损失函数，z为特征参数，j为特征参数的维度，zj为特征参数的第j个维度参数，n为训练数据集中的样本，KL(||)为KL散度函数，p(n)为样本的分布，q(n)为根据数学模型近似的样本的分布，Lβ-TC中第三项为总相关性项。
可选地，在训练模型包括的多个待定参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型之前，还包括：确定损失函数中总相关性项的数值；根据总相关性项的数值，确定特征参数的多个维度参数的耦合度，其中，耦合度表征特征参数的多个维度参数之间相互影响的程度；当耦合度小于预定的第一阈值时，确定特征参数的多个维度参数的耦合度达到预定标准。
可选地，确定训练模型为解耦表征学习模型，包括：调整特征参数的多个维度参数值为第二参数值，得到训练模型输出的车牌图像；确定车牌图像的图像质量；当图像质量大于预定的第二阈值时，确定训练模型为解耦表征学习模型。
可选地，确定车牌图像的图像质量，包括：确定车牌图像的平均梯度和熵，其中，平均梯度表征图像的清晰度，熵表征车牌图像包括的信息量；根据车牌图像的平均梯度和熵，确定图像质量。
根据本发明实施例的另一方面，还提供了一种车牌生成装置，包括：获取模块，用于获取待生成车牌的特征信息；第一确定模块，用于根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；第二确定模块，用于确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；生成模块，用于将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。
根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项车牌生成方法。
根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项车牌生成方法。
在本发明实施例中，通过获取待生成车牌的特征信息；获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌，达到了根据控制多个特征参数的值控制生成车牌的特征的目的，从而实现了根据特征信息生成具有对应特征的车牌的技术效果，进而解决了由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现车牌生成方法的计算机终端的硬件结构框图；
图2是根据本发明实施例提供的车牌生成方法的流程示意图；
图3是根据本发明可选实施例提供的解耦标识学习模型的网络结构图；
图4是根据本发明可选实施例提供的车牌生成装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种车牌生成的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现车牌生成方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的车牌生成方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的车牌生成方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
图2是根据本发明实施例提供的车牌生成方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤S202，获取待生成车牌的特征信息。
在进行车牌识别相关的神经网络模型的训练中，一般需要很多车牌图片作为样本数据输入车牌识别相关的神经网络模型中，在训练前获取车牌图片时，收集多样的车牌图片很难，可以采用多种方法得到车牌图片，本发明提供一种车牌生成的方法，可以根据不同需求生成相应的车牌图片。车牌图片和车牌。
本步骤中，在使用本发明提供的方法生成车牌图片时，首先需要获取待生成车牌的特征信息。待生成车牌是本次需要生成的车牌，待生成车牌的特征即为本次生成车牌的特征，例如，本次生成的车牌的底色、字符、风格等，特征信息即为描述车牌特征的信息，例如，车牌的底色为蓝色，车牌的字符为中文字符等。在生成车牌之前，需要确定本次需要具有什么特征的车牌，对于车牌特征的要求即为待生成车牌的特征信息。
步骤S204，根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息。
本步骤中，提供一个可以生成车牌图片的解耦表征学习模型，解耦表征学习模型的编码器可以从训练样本中提取一个特征参数，这个特征参数包括多个不同的维度参数，解码器可以根据特征参数的多个维度参数生成一张车牌图片，可以将解耦表征学习模型的编码器和解码器一同进行训练。特征参数的多个维度参数可以是从训练样本中提取的控制生成的车牌图片中不同特征的参数，在解耦表征学习模型的损失函数中的超参数的值不合适时，解码器提取的特征参数的多个维度参数之间有很强的耦合性，即特征参数的多个维度参数的值互相影响，每个维度参数不止控制生成的车牌图片中的一个特征，此时解耦表征学习模型提取的特征参数的多个维度参数之间解耦和程度低，耦合程度高。
在完成对解耦表征学习模型的训练后，只取其中的解码器进行应用，将多个数值作为特征参数的多个维度参数的值输入解码器后，训练成功的解码器将根据输入的特征参数的多个维度参数的值生成一张车牌图片。训练成功的解耦表征学习模型的损失函数中超参数的值较为合适，合适的超参数可以使得解耦表征学习模型中特征参数的多个维度参数间的耦合度符合预定标准。在理想条件下，最成功的的解耦表征学习模型中每个维度参数可以控制生成的车牌图片中的一个特征，但是一般情况下，特征参数的多个维度参数之间仍然有耦合，至少尽可能减小耦合度，令耦合度符合预定标准，使得每个维度参数主要控制车牌图片中的一个特征并且尽量不影响其他特征，也即尽量使得特征参数的多个维度参数和其控制的多个特征一一对应。
特征参数的多个维度参数包括目标维度参数，目标维度参数是控制之前确定的待生成车牌的特征的参数，在确定本次待生成车牌的特征信息之后，需要根据特征信息调整目标维度参数的值。
步骤S206，确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值。
本步骤中，特征参数的多个维度参数包括目标维度参数和待定维度参数，在生成车牌图片时，需要目标维度参数的参数值，还需要多个待定维度参数中每个维度参数的取值。在确定目标维度参数的参数值之后，可以认为生成的车牌图片中被目标维度参数控制的特征也确定了，但是车牌图片中还可以有其他特征被其他多个待定维度参数控制，此时可以选择随机生成其他多个待定维度参数的取值为第一参数值，也可以在给定范围内确定其他多个待定维度参数的取值为第一参数值。
步骤S208，将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。
本步骤中，将多个待定维度参数的参数值，也即第一参数值和目标维度参数的参数值输入解码器后，解码器将根据特征参数的多个维度参数一一对应的参数值生成目标车牌。目标车牌将包括本次生成的车牌需要包括的特征。
通过上述步骤，可以达到根据控制特征参数的多个维度参数的值控制生成车牌的特征的目的，从而实现了根据特征信息生成具有对应特征的车牌的技术效果，进而解决了由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。
作为一种可选的实施例，预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：获取训练数据集，其中，训练数据集包括多个车牌样本；根据训练数据集对解耦表征学习模型的原始模型进行训练，确定解耦表征学习模型，其中，解耦表征学习模型包括通过训练确定的特征参数的多个维度参数。
可选地，在应用解耦表征学习模型实际生成车牌时，使用的解耦表征学习模型为预先训练好的模型，所以可以直接应用，能够实现根据特征信息生成具有对应特征的车牌的技术效果。训练模型的过程包括使用训练数据集对解耦表征学习模型的原始模型进行训练，最终得到一个效果较好的训练成功的模型作为解耦表征学习模型进行应用，效果较好的模型的特点是有通过训练确定的特征参数的多个较好的维度参数。训练数据集可以由多个车牌样本构成，多个车牌样本可以包括不同类型的车牌的图片。
作为一种可选的实施例，根据训练数据集对原始模型进行训练，确定解耦表征学习模型，可以通过以下步骤实现：获取超参数的超参数值，并根据超参数值确定原始模型，其中，超参数位于原始模型的损失函数中；根据训练数据集训练原始模型，得到训练模型，其中，训练模型包括特征参数的多个维度参数；在训练模型包括的特征参数的多个维度参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型。
可选地，采用训练数据集对原始模型进行训练时，首先确定损失函数中的超参数的值，并且根据确定下来的损失函数指导原始模型学习训练数据集的特征。在确定了超参数和对应的损失函数后，在损失函数稳定后即可认为训练结束，训练后的原始模型可以从训练数据集中提取特征参数的多个维度参数，此时可以对训练后的原始模型进行检验，当检验通过时，确定训练后的原始模型为可以应用的解耦表征学习模型；当检验结果为不通过时，训练后的原始模型废弃，可以重新获取一个超参数的值并确定对应的损失函数，进而依据新确定的损失函数指导训练原始模型，在新的损失函数稳定后，检验依据新的损失函数训练的原始模型是否符合标准。检验训练后的原始模型即检验训练模型从训练样本集中提取的特征参数的多个维度参数的耦合度是否达到预定标准，当特征参数的多个维度参数的耦合度达到预定标准时，检验通过；当特征参数的多个维度参数的耦合度达不到预定标准时，检验不通过。
作为一种可选的实施例，训练模型的损失函数为：
Figure BDA0003991840450000071
其中，Lβ-TC为损失函数，z为特征参数，j为特征参数的维度，zj为特征参数的第j个维度参数，n为训练数据集中的样本，KL(||)为KL散度函数，p(n)为样本的分布，q(n)为根据数学模型近似的样本的分布，Lβ-TC中第三项为总相关性项。
可选地，损失函数中第一项为重构项，重构项表征了生成图片的成像质量，当重构项的值越小时，说明生成图像的图像质量越好。损失函数的第二项被称为索引-代码互信息(MI)。指数码MI是基于经验数据分布q(z，n)的数据变量与特征参数之间的互信息Iq(z；n)，其中，q(z，n）可以写作q(n)，为根据数学模型近似的样本的分布，α、β和γ是损失函数中可以调节的超参数，q(n|z)可以表征解耦表征学习模型的编码器，q(z|n)可以表征解耦表征学习模型的解码器。有人认为，更高的互信息可以导致更好的解纠缠，甚至有人提出在优化过程中完全降低对这一项的惩罚。最近对生成建模的研究也声称，通过信息瓶颈去惩罚互信息，可以更好的鼓励生成紧凑和解纠缠的表示。损失函数的第三项被称为总相关性项(TC)，它是互信息对两个以上随机变量的众多推广之一。它实际上是变量之间依赖性的度量。对TC项的惩罚迫使模型在数据分布中找到统计上独立的因素。对TC项的一个更重的惩罚会导致一个更不纠缠的表示，而这也是β-VAE成功的原因。损失函数的第四项为维数级的KL函数项。这主要是防止个体潜在维度偏离相应的先验。它作为对聚合后验的复杂性惩罚，合理地遵循ELBO的最小描述长度公式。
作为一种可选的实施例，在训练模型包括的多个待定参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型之前，还可以通过以下步骤实现：确定损失函数中总相关性项的数值；根据总相关性项的数值，确定特征参数的多个维度参数的耦合度，其中，耦合度表征特征参数的多个维度参数之间相互影响的程度；当耦合度小于预定的第一阈值时，确定特征参数的多个维度参数的耦合度达到预定标准。
可选地，可以通过多种方法确定训练好的模型提取的特征参数的多个维度参数之间的耦合度，本实施例提供的方案为根据训练好的模型对应的损失函数的数值判断特征参数的多个维度参数的耦合度。损失函数中包括多项，如上述公式，损失函数包括的第一项为重构项，可以表征模型生成车牌的效果，第二项为互信息项，可以表征基于经验数据分布q(z，n)的数据变量与特征参数之间的互信息，第三项为总相关性项，是互信息对两个以上的随机变量的推广公式，可以度量特征参数的多个维度参数之间的相关性，第四项为维数级的KL散度项，可以防止个体的多个待定维度参数偏离预先建立的规则的数据分布。因为总相关性项可以度量特征参数的多个维度参数之间的相关性，所以可以通过总相关性项的数值大小确定特征参数的多个维度参数之间的耦合度。当特征参数的多个维度参数之间的耦合度小于预定的第一阈值时，可以确定特征参数的多个维度参数的耦合度达到预定标准。
还可以改变多个待定维度参数的值，使训练好的模型生成车牌图片，通过改变多个待定维度参数的值分别生成的车牌图片，综合图片的特征信息分析图片的特征之间的耦合度是否合适。当根据图片综合分析出图片中的特征之间的耦合度较小时，也可以判断分别与图片中多个特征对应的特征参数的多个维度参数之间的耦合度较小。
作为一种可选的实施例，确定训练模型为解耦表征学习模型，可以通过以下步骤实现：调整特征参数的多个维度参数为第二参数值，得到训练模型输出的车牌图像；确定车牌图像的图像质量；当图像质量大于预定的第二阈值时，确定训练模型为解耦表征学习模型。
可选地，在确定特征参数的多个维度参数之间的耦合度符合预定标准后，还需要判断生成的车牌的图像质量是否达到标准。实验中的现象表示，特征参数的多个维度参数之间的耦合度和生成的车牌的图像质量两者之间相互制约，当特征参数的多个维度参数之间的耦合度很低时，生成的车牌的图像质量会很差，图像携带信息量少，并且模糊不清；当生成的车牌的图像质量很好时，特征参数的多个维度参数之间的耦合度又会升高。因此，在训练模型时，需要综合考虑两者的效果，取到一个较为合适的值，使得特征参数的多个维度参数中每个参数尽可能控制生成的图片中的某个特征，又可以使生成的车牌图像质量较好。
本可选实施例中提供的判断图像质量的方式为调整特征参数的多个维度参数值为第二参数值，使得训练模型输出车牌图像，对车牌图像进行分析，可以确定车牌图像的图像质量，当图像质量大于预定的第二阈值时，确定训练模型训练成功。当然，判断图像也可以根据损失函数中的重构项的值，当重构项的值越小时，说明生成图像的图像质量越好。
作为一种可选的实施例，确定车牌图像的图像质量，可以通过以下步骤实现：确定车牌图像的平均梯度和熵，其中，平均梯度表征图像的清晰度，熵表征车牌图像包括的信息量；根据车牌图像的平均梯度和熵，确定图像质量。
可选地，对图像进行生成效果分析确定图像质量时，可以计算车牌图像的灰度变化率，得到图像的平均梯度，图像的平均梯度值可以表征图像的清晰度，图像越清晰，图像质量越高；还可以计算车牌图像的灰度集合的比特平均数，图像的灰度集合的比特平均数描述了图像信源的平均信息量，图像的熵是一种特征的统计形式，它反映了图像中平均信息量的多少，表示图像灰度分布的聚集特征。当车牌图像的平均梯度和熵的值都较高时，认为车牌图像的图像质量较好。
作为一种具体的实施例，图3是根据本发明可选实施例提供的解耦标识学习模型的网络结构图，如图3所示，本发明用到的解耦表征学习模型为β-TCVAE，模型的网络结构图如上图所示。其中，x为输入样本，x为生成样本，
Figure BDA0003991840450000091
为β-TCVAE的编码器，pθ＝(x|z)为β-TCVAE的解码器，θ和
Figure BDA0003991840450000092
分别为编码器的网络参数和解码器的网络参数，z为潜在因素，即特征参数，这里潜在因素z是解耦合的，z1，z2，z3，......，zn分别代表潜在因素z的不同维度，即特征参数的多个维度参数。
之所以选择β-TCVAE，因为β-TCVAE是在β-VAE的基础上进一步分解了第二项KL散度，明确了跟解耦合真正相关的TC项，这是对β-VAE的加强和改进，并且在训练过程中不需要增加任何额外的超参数。β-TCVAE不仅提高了模型的解耦合能力，而且没有增加模型的复杂度。
β-TCVAE的损失函数为：
Figure BDA0003991840450000101
β-TCVAE对α和γ进行了不同值的消融实验，最终发现调优β可以得到最好的结果。在β-TCVAE中使用了α＝γ＝1，并且只修改了超参数β。事实表明，模型的解耦合主要跟TC项有关，通过给β一个较大的数值，迫使q(z)的各个维度满足独立同分布
Figure BDA0003991840450000102
如此，q(z)也就具有了解耦合的特性。在理想情况下，特征参数的各个维度分别控制着生成数据的不同特征，此时各个维度相互独立，互不影响。例如第一个维度控制车牌的背景颜色，第二个维度控制着车牌的数字，第三个维度控制着车牌的地区等。我们可以在特征参数的各个维度上随机采样，随机组合，根据需求批量的生成想要的车牌图片。
训练该模型的方法的主要步骤包括：第一步，整理训练数据。将包含所有样式的车牌收集起来，作为模型的训练数据。第二步，构建模型。模型β-TCVAE的编码器和解码器都是由卷积神经网络构建而成，卷积神经网络能够很好的提取训练图像的特征，帮助模型解耦。确定多个超参数β的值，且分别构建对应的模型。第三步，训练多个模型。将第一步中整理的数据输入到第二步构建的多个模型中。在训练每一个模型时，经过多次迭代训练，待损失函数稳定后，得到每一个模型对应的潜在因素z与解码器。第四步，生成测试。对第三步生成的每一个模型得到的潜在因素z的维度进行随机采样赋值，输入到第三步得到的解码器中，查看生成的图片样本，检测模型是否合格，选取合格的模型作为训练好的模型，并应用于实际。β-TCVAE的损失函数是模型能够解耦合的关键点，它是在β-VAE的基础上进一步分解了第二项KL散度。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的车牌生成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，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例，还提供了一种用于实施上述车牌生成方法的装置，图4是根据本发明实施例提供的车牌生成装置的结构框图，如图4所示，该车牌生成装置包括：获取模块42、第一确定模块44、第二确定模块46和生成模块48，下面对该装置进行说明。
获取模块42，用于获取待生成车牌的特征信息。
第一确定模块44，与获取模块42连接，用于根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息。
第二确定模块46，与第一确定模块44连接，用于确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值。
生成模块48，与第二确定模块46连接，用于将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。
此处需要说明的是，上述获取模块42、第一确定模块44、第二确定模块46和生成模块48对应于实施例中的步骤S202至步骤S208，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例提供的计算机终端10中。
本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的车牌生成方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的车牌生成方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。
可选的，上述处理器还可以执行如下步骤的程序代码：预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：获取训练数据集，其中，训练数据集包括多个车牌样本；根据训练数据集对解耦表征学习模型的原始模型进行训练，确定解耦表征学习模型，其中，解耦表征学习模型包括通过训练确定的特征参数的多个维度参数。
可选的，上述处理器还可以执行如下步骤的程序代码：根据训练数据集对原始模型进行训练，确定解耦表征学习模型，包括：获取超参数的超参数值，并根据超参数值确定原始模型，其中，超参数位于原始模型的损失函数中；根据训练数据集训练原始模型，得到训练模型，其中，训练模型包括特征参数的多个维度参数；在训练模型包括的特征参数的多个维度参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型。
可选的，上述处理器还可以执行如下步骤的程序代码：训练模型的损失函数为：
Figure BDA0003991840450000121
其中，Lβ-TC为损失函数，z为特征参数，j为特征参数的维度，zj为特征参数的第j个维度参数，n为训练数据集中的样本，KL(||)为KL散度函数，p(n)为样本的分布，q(n)为根据数学模型近似的样本的分布，Lβ-TC中第三项为总相关性项。
可选的，上述处理器还可以执行如下步骤的程序代码：在训练模型包括的多个待定参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型之前，还包括：确定损失函数中总相关性项的数值；根据总相关性项的数值，确定特征参数的多个维度参数的耦合度，其中，耦合度表征特征参数的多个维度参数之间相互影响的程度；当耦合度小于预定的第一阈值时，确定特征参数的多个维度参数的耦合度达到预定标准。
可选的，上述处理器还可以执行如下步骤的程序代码：确定训练模型为解耦表征学习模型，包括：调整特征参数的多个维度参数值为第二参数值，得到训练模型输出的车牌图像；确定车牌图像的图像质量；当图像质量大于预定的第二阈值时，确定训练模型为解耦表征学习模型。
可选的，上述处理器还可以执行如下步骤的程序代码：确定车牌图像的图像质量，包括：确定车牌图像的平均梯度和熵，其中，平均梯度表征图像的清晰度，熵表征车牌图像包括的信息量；根据车牌图像的平均梯度和熵，确定图像质量。
采用本发明实施例，提供了一种车牌生成的方案。通过获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的多个待定参数包括的特征参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，解耦表征学习模型为通过调整损失函数中超参数的值使多个待定参数间的耦合度符合预定标准的模型，特征参数的参数值用于表征车牌特征；确定多个待定参数包括的特征参数以外的待定参数的第一参数值；将第一参数值和特征参数的参数值输入解码器，生成目标车牌，达到了根据控制多个特征参数的值控制生成车牌的特征的目的，从而实现了根据特征信息生成具有对应特征的车牌的技术效果，进而解决了由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的车牌生成方法所执行的程序代码。
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：获取训练数据集，其中，训练数据集包括多个车牌样本；根据训练数据集对解耦表征学习模型的原始模型进行训练，确定解耦表征学习模型，其中，解耦表征学习模型包括通过训练确定的特征参数的多个维度参数。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：根据训练数据集对原始模型进行训练，确定解耦表征学习模型，包括：获取超参数的超参数值，并根据超参数值确定原始模型，其中，超参数位于原始模型的损失函数中；根据训练数据集训练原始模型，得到训练模型，其中，训练模型包括特征参数的多个维度参数；在训练模型包括的特征参数的多个维度参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：训练模型的损失函数为：
Figure BDA0003991840450000141
其中，Lβ-TC为损失函数，z为特征参数，j为特征参数的维度，zj为特征参数的第j个维度参数，n为训练数据集中的样本，KL(||)为KL散度函数，p(n)为样本的分布，q(n)为根据数学模型近似的样本的分布，Lβ-TC中第三项为总相关性项。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：在训练模型包括的多个待定参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型之前，还包括：确定损失函数中总相关性项的数值；根据总相关性项的数值，确定特征参数的多个维度参数的耦合度，其中，耦合度表征特征参数的多个维度参数之间相互影响的程度；当耦合度小于预定的第一阈值时，确定特征参数的多个维度参数的耦合度达到预定标准。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：调整特征参数的多个维度参数值为第二参数值，得到训练模型输出的车牌图像；确定车牌图像的图像质量；当图像质量大于预定的第二阈值时，确定训练模型为解耦表征学习模型。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：确定车牌图像的图像质量，包括：确定车牌图像的平均梯度和熵，其中，平均梯度表征图像的清晰度，熵表征车牌图像包括的信息量；根据车牌图像的平均梯度和熵，确定图像质量。
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。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，可以存储在一个非易失性取存储介质中。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存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车牌生成方法，其特征在于，包括：
获取待生成车牌的特征信息；
根据所述特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，所述解码器为预先训练的解耦表征学习模型中的解码器，所述特征参数的多个维度参数分别表征所述待生成车牌的多个特征，所述解耦表征学习模型为通过调整损失函数中超参数的值使所述特征参数的多个维度参数间的耦合度符合预定标准的模型，所述目标维度参数的参数值用于表征所述特征信息；
确定所述特征参数的多个维度参数包括的除所述目标维度参数以外的待定维度参数的第一参数值；
将所述第一参数值和所述目标维度参数的参数值输入所述解码器，生成目标车牌。
2.根据权利要求1所述的方法，其特征在于，所述预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：
获取训练数据集，其中，所述训练数据集包括多个车牌样本；
根据所述训练数据集对所述解耦表征学习模型的原始模型进行训练，确定所述解耦表征学习模型，其中，所述解耦表征学习模型包括通过训练确定的所述特征参数的多个维度参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练数据集对原始模型进行训练，确定所述解耦表征学习模型，包括：
获取所述超参数的超参数值，并根据所述超参数值确定所述原始模型，其中，所述超参数位于所述原始模型的损失函数中；
根据所述训练数据集训练所述原始模型，得到训练模型，其中，所述训练模型包括所述特征参数的多个维度参数；
在所述训练模型包括的所述特征参数的多个维度参数的耦合度达到所述预定标准的情况下，确定所述训练模型为所述解耦表征学习模型。
4.根据权利要求3中任意一项所述的方法，其特征在于，所述训练模型的损失函数为：
Figure FDA0003991840440000021
其中，Lβ-TC为所述损失函数，z为所述特征参数，j为所述特征参数的维度，zj为所述特征参数的第j个维度参数，n为所述训练数据集中的样本，KL(||)为KL散度函数，p(n)为所述样本的分布，q(n)为根据数学模型近似的所述样本的分布，Lβ-TC中第三项为总相关性项。
5.根据权利要求4所述的方法，其特征在于，在所述训练模型包括的所述多个待定参数的耦合度达到所述预定标准的情况下，确定所述训练模型为所述解耦表征学习模型之前，还包括：
确定所述损失函数中所述总相关性项的数值；
根据所述总相关性项的数值，确定所述特征参数的多个维度参数的耦合度，其中，所述耦合度表征所述特征参数的多个维度参数之间相互影响的程度；
当所述耦合度小于预定的第一阈值时，确定所述特征参数的多个维度参数的耦合度达到所述预定标准。
6.根据权利要求5所述的方法，其特征在于，所述确定所述训练模型为所述解耦表征学习模型，包括：
调整所述特征参数的多个维度参数为第二参数值，得到所述训练模型输出的车牌图像；
确定所述车牌图像的图像质量；
当所述图像质量大于预定的第二阈值时，确定所述训练模型为所述解耦表征学习模型。
7.根据权利要求6所述的方法，其特征在于，所述确定所述车牌图像的图像质量，包括：
确定所述车牌图像的平均梯度和熵，其中，所述平均梯度表征图像的清晰度，所述熵表征车牌图像包括的信息量；
根据所述车牌图像的平均梯度和熵，确定所述图像质量。
8.一种车牌生成装置，其特征在于，包括：
获取模块，用于获取待生成车牌的特征信息；
第一确定模块，用于根据所述特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，所述解码器为预先训练的解耦表征学习模型中的解码器，所述特征参数的多个维度参数分别表征所述待生成车牌的多个特征，所述解耦表征学习模型为通过调整损失函数中超参数的值使所述特征参数的多个维度参数问的耦合度符合预定标准的模型，所述目标维度参数的参数值用于表征所述特征信息；
第二确定模块，用于确定所述特征参数的多个维度参数包括的除所述目标维度参数以外的待定维度参数的第一参数值；
生成模块，用于将所述第一参数值和所述目标维度参数的参数值输入所述解码器，生成目标车牌。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述车牌生成方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，
所述存储器存储有计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述车牌生成方法。
CN202211587607.5A 2022-12-09 2022-12-09 车牌生成方法、装置、非易失性存储介质和计算机设备 Pending CN116110033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211587607.5A CN116110033A (zh) 2022-12-09 2022-12-09 车牌生成方法、装置、非易失性存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211587607.5A CN116110033A (zh) 2022-12-09 2022-12-09 车牌生成方法、装置、非易失性存储介质和计算机设备

Publications (1)

Publication Number Publication Date
CN116110033A true CN116110033A (zh) 2023-05-12

Family

ID=86260634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211587607.5A Pending CN116110033A (zh) 2022-12-09 2022-12-09 车牌生成方法、装置、非易失性存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN116110033A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612466A (zh) * 2023-07-20 2023-08-18 腾讯科技（深圳）有限公司 基于人工智能的内容识别方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612466A (zh) * 2023-07-20 2023-08-18 腾讯科技（深圳）有限公司 基于人工智能的内容识别方法、装置、设备及介质
CN116612466B (zh) * 2023-07-20 2023-09-29 腾讯科技（深圳）有限公司 基于人工智能的内容识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Hosu et al. KonIQ-10k: An ecologically valid database for deep learning of blind image quality assessment
CN110929622B (zh) 视频分类方法、模型训练方法、装置、设备及存储介质
Keemink et al. FISSA: A neuropil decontamination toolbox for calcium imaging signals
CN107679466B (zh) 信息输出方法和装置
KR20200145827A (ko) 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체
CN111401722B (zh) 智能决策方法和智能决策系统
CN109934196A (zh) 人脸姿态参数评估方法、装置、电子设备及可读存储介质
CN111783934B (zh) 卷积神经网络构建方法、装置、设备及介质
CN110781976B (zh) 训练图像的扩充方法、训练方法及相关装置
DE112020002684T5 (de) Ein Mehrfachverfahrenssystem für optimale Vorhersagemodellauswahl
CN110399839B (zh) 人脸识别方法、装置、设备及存储介质
CN112037179B (zh) 一种脑疾病诊断模型的生成方法、系统及设备
CN113705792B (zh) 基于深度学习模型的个性化推荐方法、装置、设备及介质
CN116110033A (zh) 车牌生成方法、装置、非易失性存储介质和计算机设备
CN112817563B (zh) 目标属性配置信息确定方法、计算机设备和存储介质
Yu et al. Learning to detect multiple photographic defects
CN112633341A (zh) 一种界面测试方法、装置、计算机设备和存储介质
CN106484614A (zh) 一种核对图片处理效果的方法、装置及移动终端
Brunke et al. Evaluating input perturbation methods for interpreting CNNs and saliency map comparison
CN114821178A (zh) 一种基于深度学习的模块化图像识别分类系统的处理方法
CN108776943B (zh) 数据传输方法和装置、存储介质及电子装置
CN111651626B (zh) 图像分类方法、装置及可读存储介质
Darias et al. An empirical analysis of user preferences regarding xai metrics
CN111696180A (zh) 一种虚拟仿真人的生成方法、系统、装置和存储介质
WO2023056501A1 (en) Harmonizing diffusion tensor images using machine learning

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