CN117437490A - 一种服装信息的处理方法、装置、电子设备和存储介质 - Google Patents

一种服装信息的处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117437490A
CN117437490A CN202311639029.XA CN202311639029A CN117437490A CN 117437490 A CN117437490 A CN 117437490A CN 202311639029 A CN202311639029 A CN 202311639029A CN 117437490 A CN117437490 A CN 117437490A
Authority
CN
China
Prior art keywords
brightness
image
block
clothing
convolution
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
Application number
CN202311639029.XA
Other languages
English (en)
Other versions
CN117437490B (zh
Inventor
袁辉
秦娟娟
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 Kakakeluo Information Technology Co ltd
Original Assignee
Shenzhen Kakakeluo Information 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 Shenzhen Kakakeluo Information Technology Co ltd filed Critical Shenzhen Kakakeluo Information Technology Co ltd
Priority to CN202311639029.XA priority Critical patent/CN117437490B/zh
Publication of CN117437490A publication Critical patent/CN117437490A/zh
Application granted granted Critical
Publication of CN117437490B publication Critical patent/CN117437490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种服装信息的处理方法、装置、电子设备和存储介质，在该方案中，获取初始服装图像；确定初始服装图像的亮度值符合调整条件时，从初始服装图像中提取亮度特征并构建亮度特征图；将初始服装图像和亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，特征增强模型包含第一特征增强单元和第二特征增强单元；对服装增强图像和亮度增强图像进行融合，得到服装融合图像；将服装融合图像输入类型识别模型中以对服装融合图像进行类型识别；在电商平台显示界面中输出所识别的服装类型信息。该方案能够获得较高质量的服装图像，进而得到准确的类型并在电商平台显示界面进行显示，提高电商数据自动化识别的效率。

Description

一种服装信息的处理方法、装置、电子设备和存储介质
技术领域
本申请涉及网络技术领域，特别涉及一种服装信息的处理方法、装置、电子设备和存储介质。
背景技术
目前，电子商务平台中存在基于服装图片自动识别服装类别，进而实现电商数据自动化识别的需求。
在某些情况下，服装图片是网络搜索或者用户自己拍摄得到的，甚至可能是用户拍摄到的自己手绘的图片，这些图片可能存在偏暗、不清晰或者噪点较多的情况。这时平台无法准确识别图片，更无法确定服装类别。而需要用户手动进行服装类别的选择。这就导致电商数据自动化识别的效率低下。
发明内容
有鉴于此，本申请的目的在于提供一种服装信息的处理方法、装置、电子设备和存储介质，以解决电商数据自动化识别的效率低下的问题。其具体方案如下：
为实现上述目的，一方面，本申请提供了一种服装信息的处理方法，包括：
获取初始服装图像；
确定所述初始服装图像的初始亮度值；
当所述初始亮度值符合预设亮度调整条件时，从所述初始服装图像中提取亮度特征并构建亮度特征图；
将所述初始服装图像和所述亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，所述特征增强模型包含第一特征增强单元和第二特征增强单元；所述第一特征增强单元包含顺序连接的第一一卷积块、第一一自注意力机制块、第一二卷积块和第一二自注意力机制块，所述第二特征增强单元包含顺序连接的第二一卷积块、第二一自注意力机制块、第二一融合块、第二二卷积块、第二三卷积块和第二二融合块；其中，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后一并输入至所述第二一自注意力机制块中；所述第一一自注意力机制块的输出与所述第二一自注意力机制块的输出一并输入至所述第二一融合块中；所述第一二自注意力机制块的输出与所述第二三卷积块的输出一并输入至所述第二二融合块中；
对所述服装增强图像和所述亮度增强图像进行融合，得到服装融合图像；
将所述服装融合图像输入类型识别模型中以对所述服装融合图像进行类型识别；
在电商平台显示界面中输出所识别的服装类型信息。
在一实施例中，所述从所述初始服装图像中提取亮度特征并构建亮度特征图，包括：
将所述初始服装图像输入至亮度增强模型中进行亮度增强，得到亮度已增强图像；
从所述亮度已增强图像中提取亮度特征并构建亮度特征图。
在一实施例中，所述亮度增强模型中还包括亮度引导模型；所述亮度增强模型用于执行以下步骤：
确定所述初始服装图像的曝光特征图；
对所述初始服装图像和所述曝光特征图进行叠加拼合后，使用第三一卷积块对叠加拼合得到的图像进行卷积融合；所述第三一卷积块的卷积核尺寸为第一值；
使用深度可分离的第三二卷积块对卷积融合的结果进行卷积处理，得到亮部特征；所述第三二卷积块的卷积核尺寸为第二值，所述第二值为所述第一值的预设倍数；
使用第三三卷积块对所述亮部特征进行聚合，得到亮度图；所述第三三卷积块的卷积核尺寸为第三值，所述第三值等于所述第一值；
通过亮度引导模型对所述亮度图进行亮度定向引导以实现亮度增强。
在一实施例中，所述亮度引导模型用于执行以下步骤：
通过卷积核为三的卷积块对所述亮度图进行卷积处理，得到第一中间亮度特征；
通过第一亮度自注意力块对所述第一中间亮度特征进行处理，得到第一参考亮度特征；
通过卷积核为四的跨步卷积块对所述第一参考亮度特征进行卷积处理，以缩小亮度特征，得到第二中间亮度特征；
通过第二亮度自注意力块对所述第二中间亮度特征进行处理，得到第二参考亮度特征；
通过卷积核为四的跨步卷积块对所述第二参考亮度特征进行卷积处理，得到第三参考亮度特征；
对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图。
在一实施例中，所述对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图，包括：
通过第三亮度自注意力块对所述第三参考亮度特征进行处理后，进行第一反卷积处理；
将第一反卷积处理的结果与所述第二参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；
通过第四亮度自注意力块对前一步骤的卷积处理结果进行处理后，进行第二反卷积处理；
将第二反卷积处理的结果与所述第一参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；
通过第五亮度自注意力块对前一步骤的卷积处理结果进行处理后，通过卷积核为三的卷积块对卷积处理结果进行卷积处理，得到亮度定向引导后的亮度图。
在一实施例中，所述方法还包括：
当所述初始亮度值不符合预设亮度调整条件时，直接将所述初始服装图像输入所述特征增强模型中，得到服装增强图像；
将所述服装增强图像输入类型识别模型中以对所述服装增强图像进行类型识别；
在电商平台显示界面中输出所识别的服装类型信息。
在一实施例中，所述第二一自注意力机制块为多个，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后分别进行不同强度的线性变换，得到查询矩阵、键矩阵和值矩阵，将所述查询矩阵、所述键矩阵和所述值矩阵分别输入至多个所述第二一自注意力机制块中，多个所述第二一自注意力机制块的输出与所述第一一自注意力机制块的输出一并输入至所述第二一融合块中进行特征融合。
又一方面，本申请还提供了一种服装信息的处理装置，包括：
服装图像获取模块，用于获取初始服装图像；
亮度值确定模块，用于确定所述初始服装图像的初始亮度值；
亮度提取模块，用于当所述初始亮度值符合预设亮度调整条件时，从所述初始服装图像中提取亮度特征并构建亮度特征图；
特征增强模块，用于将所述初始服装图像和所述亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，所述特征增强模型包含第一特征增强单元和第二特征增强单元；所述第一特征增强单元包含顺序连接的第一一卷积块、第一一自注意力机制块、第一二卷积块和第一二自注意力机制块，所述第二特征增强单元包含顺序连接的第二一卷积块、第二一自注意力机制块、第二一融合块、第二二卷积块、第二三卷积块和第二二融合块；其中，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后一并输入至所述第二一自注意力机制块中；所述第一一自注意力机制块的输出与所述第二一自注意力机制块的输出一并输入至所述第二一融合块中；所述第一二自注意力机制块的输出与所述第二三卷积块的输出一并输入至所述第二二融合块中；
图像融合模块，用于对所述服装增强图像和所述亮度增强图像进行融合，得到服装融合图像；
类型识别模块，用于将所述服装融合图像输入类型识别模型中以对所述服装融合图像进行类型识别；
类型信息显示模块，用于在电商平台显示界面中输出所识别的服装类型信息。
又一方面，本申请还提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述服装信息的处理方法。
又一方面，本申请还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述服装信息的处理方法。
本申请提供的服装信息的处理方法，在初始服装图像的亮度值符合预设亮度调整条件时，将初始服装图像及其亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；该特征增强模型通过两个特征增强单元进行特征的充分交互，能够有效防止关键信息的丢失也可以实现对复杂场景的适应性去噪，不仅可以保留图像关键信息还可以提高图像去噪效果，也可以对低亮度图像进行亮度增加，处理后的服装增强图像和亮度增强图像具有较高的图像质量；之后对服装增强图像和亮度增强图像进行融合，并进行类型识别和显示。能够获得较高质量的服装图像，进而得到准确的类型识别信息并在电商平台显示界面进行显示，提高电商数据自动化识别的效率。
相应地，本申请提供的服装信息的处理装置、电子设备和存储介质，也同样具有上述技术效果。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种服装信息的处理方法流程图；
图2本申请提供的一种服装信息的处理装置示意图；
图3为本申请提供的一种电子设备结构图。
具体实施方式
请参见图1，图1为本申请实施例提供的一种服装信息的处理方法流程图。该服装信息的处理方法可以应用于个人电脑、智能手机等电子设备。如图1所示，该服装信息的处理方法可以包括以下步骤：
S101、获取初始服装图像。
其中，服装图像可以是对服装、服装设计图纸、服装配饰、服装流行元素等进行拍摄得到的图像。具体可以通过电子设备直接拍摄得到初始服装图像，也可以通过电子设备从网络获取或者其他电子设备中接收得到该初始服装图像，例如，电子设备对接大量的互联网时尚服装平台、网站，获取服装设计图纸和服装流行元素图像。该初始服装图像可以是各种图片格式，本申请实施例对此不做具体限定。
S102、确定所述初始服装图像的初始亮度值。
可选的，可以对初始服装图像进行亮度识别，以得到对应的亮度值。具体可以通过预训练的亮度识别模型来对初始服装图像进行亮度识别，以得到对应的亮度值。
S103、当所述初始亮度值符合预设亮度调整条件时，从所述初始服装图像中提取亮度特征并构建亮度特征图。
其中，预设亮度调整条件为预先确定的需要对图像进行亮度调整的条件。可以在亮度值低于某一阈值（可以为第一阈值，该第一阈值可以为一个较低的值，以实现对亮度过低的服装图像的亮度增强）时判定符合预设亮度调整条件。也就是说，在初始服装图像的亮度过低时构建对应的亮度特征图并进行后续的增强处理。
S104、将所述初始服装图像和所述亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，所述特征增强模型包含第一特征增强单元和第二特征增强单元；所述第一特征增强单元包含顺序连接的第一一卷积块、第一一自注意力机制块、第一二卷积块和第一二自注意力机制块，所述第二特征增强单元包含顺序连接的第二一卷积块、第二一自注意力机制块、第二一融合块、第二二卷积块、第二三卷积块和第二二融合块；其中，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后一并输入至所述第二一自注意力机制块中；所述第一一自注意力机制块的输出与所述第二一自注意力机制块的输出一并输入至所述第二一融合块中；所述第一二自注意力机制块的输出与所述第二三卷积块的输出一并输入至所述第二二融合块中。
其中，第一特征增强单元和第二特征增强单元为特征增强模型中并列的两个特征增强单元。
可选的，通过并行（同时输入）或者串行（先后输入）的方式将初始服装图像和亮度特征图输入特征增强模型中，其中的第一特征增强单元和第二特征增强单元中的各个处理块依次对初始服装图像或亮度特征图进行图像特征增强。
可选的，将初始服装图像分别输入特征增强模型中的第一特征增强单元和第二特征增强单元；第一特征增强单元执行以下步骤：通过第一一卷积块对初始服装图像进行卷积处理，卷积处理结果输入至第一一自注意力机制块进行自注意力分析处理，自注意力分析处理的结果输入至第一二卷积块中进行卷积处理，卷积处理结果输入至第一二自注意力机制块；所述第二特征增强单元执行以下步骤：通过第二一卷积块对初始服装图像进行卷积处理，卷积处理结果和初始服装图像叠加后输入至第二一自注意力机制块进行自注意力分析处理，该自注意力分析处理的结果与第一一自注意力机制块的自注意力分析处理结果一并输入至第二一融合块进行融合处理，融合处理的结果输入至第二二卷积块进行卷积处理，该卷积处理结果输入至第二三卷积块进行再次卷积处理，卷积处理结果和第一二自注意力机制块的输出一并输入至第二二融合块进行融合处理，以得到经过第一特征增强单元和第二特征增强单元处理过的服装增强图像。
可选的，将亮度特征图分别输入特征增强模型中的第一特征增强单元和第二特征增强单元；第一特征增强单元执行以下步骤：通过第一一卷积块对亮度特征图进行卷积处理，卷积处理结果输入至第一一自注意力机制块进行自注意力分析处理，自注意力分析处理的结果输入至第一二卷积块中进行卷积处理，卷积处理结果输入至第一二自注意力机制块；所述第二特征增强单元执行以下步骤：通过第二一卷积块对亮度特征图进行卷积处理，卷积处理结果和亮度特征图叠加后输入至第二一自注意力机制块进行自注意力分析处理，该自注意力分析处理的结果与第一一自注意力机制块的自注意力分析处理结果一并输入至第二一融合块进行融合处理，融合处理的结果输入至第二二卷积块进行卷积处理，该卷积处理结果输入至第二三卷积块进行再次卷积处理，卷积处理结果和第一二自注意力机制块的输出一并输入至第二二融合块进行融合处理，以得到经过第一特征增强单元和第二特征增强单元处理过的亮度增强图像。
可选的，第一二卷积块、第二一卷积块、第二二卷积块、第二三卷积块可以为相同的卷积块，也可以为不同的卷积块，即，这些卷积块的卷积核尺寸可以相同也可以不同。进一步的，所述第一一卷积块、所述第二一卷积块和所述第二二卷积块还包括激活块。该激活块具体可以通过激活函数实现，以在卷积处理后针对性提取对应图像的特征信息。
其中，卷积块可以是能够实现卷积处理的处理块。卷积是一种在信号处理和图像处理中常用的运算技术，能够实现特征提取、降噪、压缩等图像处理目的。在未特别说明的情况下，本申请实施例中卷积块的步长可以默认为2。
可选的，第一特征增强单元和第二特征增强单元之后可以连接残差块，以深入搜索图像中的结构信息以提高图像的去噪效果，进而得到高质量的服装增强图像和亮度增强图像。
S105、对所述服装增强图像和所述亮度增强图像进行融合，得到服装融合图像。
可选的，可以通过像素点叠加等方式将服装增强图像和亮度增强图像进行融合，融合的图像为服装融合图像。
S106、将所述服装融合图像输入类型识别模型中以对所述服装融合图像进行类型识别。
其中，类型识别模型可以为预先训练好的能够对服装类型进行识别的神经网络模型。本申请对该神经网络模型的类型不做限制。
S107、在电商平台显示界面中输出所识别的服装类型信息。
可选的，在电商平台显示界面的类别填充框中显示所识别的服装类型信息，以实现服装类型的自动填充。
具体的，电商平台获取类型识别模型的识别结果，将识别结果转换成类型文本信息显示在界面上。据此，用户可以完成服装上架等操作。另外，电商平台也可以基于所识别的服装类型信息获取对应的商品信息以将对应的服装上架到对应类别的电子货架上。
上述实施例提供的服装信息的处理方法，在初始服装图像的亮度值符合预设亮度调整条件时，将初始服装图像及其亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；该特征增强模型通过两个特征增强单元进行特征的充分交互，能够有效防止关键信息的丢失也可以实现对复杂场景的适应性去噪，不仅可以保留图像关键信息还可以提高图像去噪效果，也可以对低亮度图像进行亮度增加，处理后的服装增强图像和亮度增强图像具有较高的图像质量；之后对服装增强图像和亮度增强图像进行融合，并进行类型识别和显示。能够获得较高质量的服装图像，进而得到准确的类型识别信息并在电商平台显示界面进行显示，提高电商数据自动化识别的效率。
在一实施例中，可以基于所识别的各种服装类型信息下的初始服装图像以及对应的服装增强图像、亮度增强图像等对服装出图模型进行训练。该服装出图模型可以为神经网络模型等。进一步地，该服装出图模型可以对接出图数据及参数控制台到设计师使用的电子设备，设计师通过该电子设备可以调整参数批量出图（例如，大批量生成服装设计图）、批量上架到kaka平台等电商平台中。
在一实施例中，所述从所述初始服装图像中提取亮度特征并构建亮度特征图，包括：将所述初始服装图像输入至亮度增强模型中进行亮度增强，得到亮度已增强图像；从所述亮度已增强图像中提取亮度特征并构建亮度特征图。
其中，亮度增强模型可以通过内部的网络结构提取初始服装图像中的亮度特征并实现对亮度特征的增强。
上述实施例中，对初始服装图像进行亮度增强之后再构建亮度特征图，之后再对亮度特征图进行增强处理，能够结合多种方式的亮度增强保证最终的亮度增强图像的质量，进而得到可靠的服装类型信息。
在一实施例中，所述亮度增强模型中还包括亮度引导模型；所述亮度增强模型用于执行以下步骤：确定所述初始服装图像的曝光特征图；对所述初始服装图像和所述曝光特征图进行叠加拼合后，使用第三一卷积块对叠加拼合得到的图像进行卷积融合；所述第三一卷积块的卷积核尺寸为第一值；使用深度可分离的第三二卷积块对卷积融合的结果进行卷积处理，得到亮部特征；所述第三二卷积块的卷积核尺寸为第二值，所述第二值为所述第一值的预设倍数；使用第三三卷积块对所述亮部特征进行聚合，得到亮度图；所述第三三卷积块的卷积核尺寸为第三值，所述第三值等于所述第一值；通过亮度引导模型对所述亮度图进行亮度定向引导以实现亮度增强。
其中，初始服装图像的曝光特征图可以通过以下方式确定：确定初始服装图像各个像素位置的曝光量，基于这些曝光量及其对应的像素位置构建得到曝光特征图。
其中，亮度引导模型可以为能够将亮度信息作为关键线索来进行图像特征的提取，进而实现亮度增强的模型。该亮度引导模型可以为神经网络模型。另外，该亮度引导模型可以为亮度增强模型中的子模型。
需要说明的是，本申请实施例中的卷积核尺寸大小可以为卷积核单边的数量，例如：卷积核为三的卷积核指的是3*3的卷积核。
其中，第二值可以为第一值的9倍。即，第三一卷积块和第三三卷积块的卷积核尺寸为1，第三二卷积块的卷积核尺寸为9。这种方式的深度可分离的第三二卷积块能够模拟不同光照条件下区域之间的相互作用，从而生成可靠的亮部特征。
上述实施例中，基于亮度信息对初始服装图像进行亮度特征提取、融合等处理，进而实现可靠的亮度增强。
在一实施例中，所述亮度引导模型用于执行以下步骤：通过卷积核为三的卷积块对所述亮度图进行卷积处理，得到第一中间亮度特征；通过第一亮度自注意力块对所述第一中间亮度特征进行处理，得到第一参考亮度特征；通过卷积核为四的跨步卷积块对所述第一参考亮度特征进行卷积处理，以缩小亮度特征，得到第二中间亮度特征；通过第二亮度自注意力块对所述第二中间亮度特征进行处理，得到第二参考亮度特征；通过卷积核为四的跨步卷积块对所述第二参考亮度特征进行卷积处理，得到第三参考亮度特征；对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图。
其中，卷积核为四的跨步卷积块的步长可以为2等。
在一实施例中，所述对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图，包括：通过第三亮度自注意力块对所述第三参考亮度特征进行处理后，进行第一反卷积处理；将第一反卷积处理的结果与所述第二参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；通过第四亮度自注意力块对前一步骤的卷积处理结果进行处理后，进行第二反卷积处理；将第二反卷积处理的结果与所述第一参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；通过第五亮度自注意力块对前一步骤的卷积处理结果进行处理后，通过卷积核为三的卷积块对卷积处理结果进行卷积处理，得到亮度定向引导后的亮度图。
其中，第一反卷积处理和第二反卷积处理可以采用相同的反卷积处理快实现。例如，都为卷积核尺寸为2的反卷积块，步长可以2。从第三参考亮度特征开始逐步进行反卷积处理，能够实现对参考亮度特征的逐级上采样，进而实现亮度特征的增强。
可选的，通过卷积核为三的卷积块对卷积处理结果进行卷积处理，得到亮度定向引导后的亮度图，该卷积处理与对亮度图进行卷积处理的方式对应，对应的图像分辨率一致，使得亮度图在增强前后保持相同的分辨率，能够保证亮度增强图像与服装增强图像的分辨率一致，进而实现两者的后续可靠融合。
在一实施例中，所述方法还包括：当所述初始亮度值不符合预设亮度调整条件时，直接将所述初始服装图像输入所述特征增强模型中，得到服装增强图像；将所述服装增强图像输入类型识别模型中以对所述服装增强图像进行类型识别；在电商平台显示界面中输出所识别的服装类型信息。
上述实施例中，在初始服装图像的亮度足够高时，不再需要通过特征增强模型进行亮度增强处理，能够提高图像处理效率。
可选的，在某些情况下，例如，初始服装图像的亮度值处于稍微偏低但不是特别低的状态（例如：初始亮度特征值高于第一阈值且低于第二阈值）时，虽然不用通过特征增强模型进行亮度增强处理，但可以将初始服装图像输入至特征增强模型中进行亮度增强后构建亮度特征图。
不同亮度的图像通过上述方式可以得到不同程度的增强，能够有效保证图像亮度效果进而实现服装类型的准确识别。
在一实施例中，所述第二一自注意力机制块为多个，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后分别进行不同强度的线性变换，得到查询矩阵、键矩阵和值矩阵，将所述查询矩阵、所述键矩阵和所述值矩阵分别输入至多个所述第二一自注意力机制块中，多个所述第二一自注意力机制块的输出与所述第一一自注意力机制块的输出一并输入至所述第二一融合块中进行特征融合。
其中，每一强度的线性变换下可以得到对应的查询矩阵(Q)、键矩阵(K)和值矩阵(V)，查询矩阵(Q)、键矩阵(K)和值矩阵(V)作为一组矩阵，将该组矩阵分别输入多个第二一自注意力机制块中可以得到该强度的线性变换下的自注意力机制块的输出。进一步的，多个强度可以得到多个输出，这些输出可以与第一一自注意力机制块的输出一并输入至第二一融合块中进行特征融合。
可选的，除了第二一自注意力机制块为上述多头模式，本申请实施例中的其他自注意力机制块也都可以采用上述多头模式，其具体实现方式可以参考本实施例，不再赘述。
上述实施例中，通过多头自注意力机制实现更多信息的识别，使得所提取的特征具有更高的可靠性。
下面对本申请实施例提供的一种服装信息的处理装置进行介绍，下文描述的一种服装信息的处理装置与上文描述的一种服装信息的处理方法及相应技术效果可以相互参照。
请参见图2，图2为本申请实施例提供的一种服装信息的处理装置200的示意图，包括：
服装图像获取模块201，用于获取初始服装图像；
亮度值确定模块202，用于确定所述初始服装图像的初始亮度值；
亮度提取模块203，用于当所述初始亮度值符合预设亮度调整条件时，从所述初始服装图像中提取亮度特征并构建亮度特征图；
特征增强模块204，用于将所述初始服装图像和所述亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，所述特征增强模型包含第一特征增强单元和第二特征增强单元；所述第一特征增强单元包含顺序连接的第一一卷积块、第一一自注意力机制块、第一二卷积块和第一二自注意力机制块，所述第二特征增强单元包含顺序连接的第二一卷积块、第二一自注意力机制块、第二一融合块、第二二卷积块、第二三卷积块和第二二融合块；其中，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后一并输入至所述第二一自注意力机制块中；所述第一一自注意力机制块的输出与所述第二一自注意力机制块的输出一并输入至所述第二一融合块中；所述第一二自注意力机制块的输出与所述第二三卷积块的输出一并输入至所述第二二融合块中；
图像融合模块205，用于对所述服装增强图像和所述亮度增强图像进行融合，得到服装融合图像；
类型识别模块206，用于将所述服装融合图像输入类型识别模型中以对所述服装融合图像进行类型识别；
类型信息显示模块207，用于在电商平台显示界面中输出所识别的服装类型信息。
上述实施例提供的服装信息的处理装置，在初始服装图像的亮度值符合预设亮度调整条件时，将初始服装图像及其亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；该特征增强模型通过两个特征增强单元进行特征的充分交互，能够有效防止关键信息的丢失也可以实现对复杂场景的适应性去噪，不仅可以保留图像关键信息还可以提高图像去噪效果，也可以对低亮度图像进行亮度增加，处理后的服装增强图像和亮度增强图像具有较高的图像质量；之后对服装增强图像和亮度增强图像进行融合，并进行类型识别和显示。能够获得较高质量的服装图像，进而得到准确的类型识别信息并在电商平台显示界面进行显示，提高电商数据自动化识别的效率。
在一实施例中，亮度提取模块，包括：
亮度增强子模块，用于将所述初始服装图像输入至亮度增强模型中进行亮度增强，得到亮度已增强图像；
亮度特征图构建子模块，用于从所述亮度已增强图像中提取亮度特征并构建亮度特征图。
在一实施例中，所述亮度增强模型中还包括亮度引导模型；所述亮度增强模型包括：
曝光特征图确定单元，用于确定所述初始服装图像的曝光特征图；
叠加拼合单元，用于对所述初始服装图像和所述曝光特征图进行叠加拼合后，使用第三一卷积块对叠加拼合得到的图像进行卷积融合；所述第三一卷积块的卷积核尺寸为第一值；
亮部特征获取单元，用于使用深度可分离的第三二卷积块对卷积融合的结果进行卷积处理，得到亮部特征；所述第三二卷积块的卷积核尺寸为第二值，所述第二值为所述第一值的预设倍数；
亮部特征聚合单元，用于使用第三三卷积块对所述亮部特征进行聚合，得到亮度图；所述第三三卷积块的卷积核尺寸为第三值，所述第三值等于所述第一值；
亮度增强单元，用于通过亮度引导模型对所述亮度图进行亮度定向引导以实现亮度增强。
在一实施例中，所述亮度引导模型包括：
第一卷积处理子单元，用于通过卷积核为三的卷积块对所述亮度图进行卷积处理，得到第一中间亮度特征；
第一自注意力处理子单元，用于通过第一亮度自注意力块对所述第一中间亮度特征进行处理，得到第一参考亮度特征；
第二卷积处理子单元，用于通过卷积核为四的跨步卷积块对所述第一参考亮度特征进行卷积处理，以缩小亮度特征，得到第二中间亮度特征；
第二自注意力处理子单元，用于通过第二亮度自注意力块对所述第二中间亮度特征进行处理，得到第二参考亮度特征；
第三卷积处理子单元，用于通过卷积核为四的跨步卷积块对所述第二参考亮度特征进行卷积处理，得到第三参考亮度特征；
上采样子单元，用于对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图。
在一实施例中，上采样子单元，包括：
第一反卷积子块，用于通过第三亮度自注意力块对所述第三参考亮度特征进行处理后，进行第一反卷积处理；
第一卷积子块，用于将第一反卷积处理的结果与所述第二参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；
第二反卷积子块，用于通过第四亮度自注意力块对前一步骤的卷积处理结果进行处理后，进行第二反卷积处理；
第二卷积子块，用于将第二反卷积处理的结果与所述第一参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；
第三卷积子块，用于通过第五亮度自注意力块对前一步骤的卷积处理结果进行处理后，通过卷积核为三的卷积块对卷积处理结果进行卷积处理，得到亮度定向引导后的亮度图。
在一实施例中，所述装置还包括：
图像特征增强模块，用于当所述初始亮度值不符合预设亮度调整条件时，直接将所述初始服装图像输入所述特征增强模型中，得到服装增强图像；
图像类型识别模块，用于将所述服装增强图像输入类型识别模型中以对所述服装增强图像进行类型识别；
服装类型信息显示模块，用于在电商平台显示界面中输出所识别的服装类型信息。
在一实施例中，所述第二一自注意力机制块为多个，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后分别进行不同强度的线性变换，得到查询矩阵、键矩阵和值矩阵，将所述查询矩阵、所述键矩阵和所述值矩阵分别输入至多个所述第二一自注意力机制块中，多个所述第二一自注意力机制块的输出与所述第一一自注意力机制块的输出一并输入至所述第二一融合块中进行特征融合。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的一种电子设备与上文描述的一种服装信息的处理方法、装置以及相应技术效果可以相互参照。
本申请实施例还提供了一种电子设备。电子设备可以为终端。其中，上述电子设备可以如图3所示。图3是根据一示例性实施例示出的电子设备结构图，图中的内容不能被认为是对本申请的使用范围的任何限制。请参见图3，终端包括有：处理器31和存储器32。
其中，处理器31可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器31可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器31可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器31还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器32可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器32还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器32至少用于存储以下计算机程序321，其中，该计算机程序被处理器31加载并执行之后，能够实现前述任一实施例公开的由终端侧执行的服装信息的处理方法中的相关步骤。另外，存储器32所存储的资源还可以包括操作系统322和数据323等，存储方式可以是短暂存储或者永久存储。其中，操作系统322可以包括Windows、Unix、Linux等。数据323可以包括但不限于应用程序的更新信息。
在一些实施例中，终端还可包括有显示屏33、输入输出接口34、通信接口35、传感器33、电源37以及通信总线38。
本领域技术人员可以理解，图3示出的结构并不构成对终端的限定，可以包括比图示更多或更少的组件。
下面对本申请实施例提供的一种存储介质进行介绍，下文描述的一种存储介质与上文描述的一种服装信息的处理方法、装置、设备以及相应技术效果可以相互参照。
本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的服装信息的处理方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
需要指出的是，上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种服装信息的处理方法，其特征在于，包括：
获取初始服装图像；
确定所述初始服装图像的初始亮度值；
当所述初始亮度值符合预设亮度调整条件时，从所述初始服装图像中提取亮度特征并构建亮度特征图；
将所述初始服装图像和所述亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，所述特征增强模型包含第一特征增强单元和第二特征增强单元；所述第一特征增强单元包含顺序连接的第一一卷积块、第一一自注意力机制块、第一二卷积块和第一二自注意力机制块，所述第二特征增强单元包含顺序连接的第二一卷积块、第二一自注意力机制块、第二一融合块、第二二卷积块、第二三卷积块和第二二融合块；其中，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后一并输入至所述第二一自注意力机制块中；所述第一一自注意力机制块的输出与所述第二一自注意力机制块的输出一并输入至所述第二一融合块中；所述第一二自注意力机制块的输出与所述第二三卷积块的输出一并输入至所述第二二融合块中；
对所述服装增强图像和所述亮度增强图像进行融合，得到服装融合图像；
将所述服装融合图像输入类型识别模型中以对所述服装融合图像进行类型识别；
在电商平台显示界面中输出所识别的服装类型信息。
2.根据权利要求1所述的方法，其特征在于，所述从所述初始服装图像中提取亮度特征并构建亮度特征图，包括：
将所述初始服装图像输入至亮度增强模型中进行亮度增强，得到亮度已增强图像；
从所述亮度已增强图像中提取亮度特征并构建亮度特征图。
3.根据权利要求2所述的方法，其特征在于，所述亮度增强模型中还包括亮度引导模型；所述亮度增强模型用于执行以下步骤：
确定所述初始服装图像的曝光特征图；
对所述初始服装图像和所述曝光特征图进行叠加拼合后，使用第三一卷积块对叠加拼合得到的图像进行卷积融合；所述第三一卷积块的卷积核尺寸为第一值；
使用深度可分离的第三二卷积块对卷积融合的结果进行卷积处理，得到亮部特征；所述第三二卷积块的卷积核尺寸为第二值，所述第二值为所述第一值的预设倍数；
使用第三三卷积块对所述亮部特征进行聚合，得到亮度图；所述第三三卷积块的卷积核尺寸为第三值，所述第三值等于所述第一值；
通过亮度引导模型对所述亮度图进行亮度定向引导以实现亮度增强。
4.根据权利要求3所述的方法，其特征在于，所述亮度引导模型用于执行以下步骤：
通过卷积核为三的卷积块对所述亮度图进行卷积处理，得到第一中间亮度特征；
通过第一亮度自注意力块对所述第一中间亮度特征进行处理，得到第一参考亮度特征；
通过卷积核为四的跨步卷积块对所述第一参考亮度特征进行卷积处理，以缩小亮度特征，得到第二中间亮度特征；
通过第二亮度自注意力块对所述第二中间亮度特征进行处理，得到第二参考亮度特征；
通过卷积核为四的跨步卷积块对所述第二参考亮度特征进行卷积处理，得到第三参考亮度特征；
对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图。
5.根据权利要求4所述的方法，其特征在于，所述对所述第一参考亮度特征、所述第二参考亮度特征和所述第三参考亮度特征进行逐级上采样后得到亮度定向引导后的亮度图，包括：
通过第三亮度自注意力块对所述第三参考亮度特征进行处理后，进行第一反卷积处理；
将第一反卷积处理的结果与所述第二参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；
通过第四亮度自注意力块对前一步骤的卷积处理结果进行处理后，进行第二反卷积处理；
将第二反卷积处理的结果与所述第一参考亮度特征进行融合，通过卷积核为一的卷积块对融合后的特征进行卷积处理；
通过第五亮度自注意力块对前一步骤的卷积处理结果进行处理后，通过卷积核为三的卷积块对卷积处理结果进行卷积处理，得到亮度定向引导后的亮度图。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
当所述初始亮度值不符合预设亮度调整条件时，直接将所述初始服装图像输入所述特征增强模型中，得到服装增强图像；
将所述服装增强图像输入类型识别模型中以对所述服装增强图像进行类型识别；
在电商平台显示界面中输出所识别的服装类型信息。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述第二一自注意力机制块为多个，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后分别进行不同强度的线性变换，得到查询矩阵、键矩阵和值矩阵，将所述查询矩阵、所述键矩阵和所述值矩阵分别输入至多个所述第二一自注意力机制块中，多个所述第二一自注意力机制块的输出与所述第一一自注意力机制块的输出一并输入至所述第二一融合块中进行特征融合。
8.一种服装信息的处理装置，其特征在于，包括：
服装图像获取模块，用于获取初始服装图像；
亮度值确定模块，用于确定所述初始服装图像的初始亮度值；
亮度提取模块，用于当所述初始亮度值符合预设亮度调整条件时，从所述初始服装图像中提取亮度特征并构建亮度特征图；
特征增强模块，用于将所述初始服装图像和所述亮度特征图均输入特征增强模型中，得到服装增强图像和亮度增强图像；其中，所述特征增强模型包含第一特征增强单元和第二特征增强单元；所述第一特征增强单元包含顺序连接的第一一卷积块、第一一自注意力机制块、第一二卷积块和第一二自注意力机制块，所述第二特征增强单元包含顺序连接的第二一卷积块、第二一自注意力机制块、第二一融合块、第二二卷积块、第二三卷积块和第二二融合块；其中，所述第二一卷积块的输出与对应的所述初始服装图像或所述亮度特征图叠加后一并输入至所述第二一自注意力机制块中；所述第一一自注意力机制块的输出与所述第二一自注意力机制块的输出一并输入至所述第二一融合块中；所述第一二自注意力机制块的输出与所述第二三卷积块的输出一并输入至所述第二二融合块中；
图像融合模块，用于对所述服装增强图像和所述亮度增强图像进行融合，得到服装融合图像；
类型识别模块，用于将所述服装融合图像输入类型识别模型中以对所述服装融合图像进行类型识别；
类型信息显示模块，用于在电商平台显示界面中输出所识别的服装类型信息。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述的方法。
CN202311639029.XA 2023-12-04 2023-12-04 一种服装信息的处理方法、装置、电子设备和存储介质 Active CN117437490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311639029.XA CN117437490B (zh) 2023-12-04 2023-12-04 一种服装信息的处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311639029.XA CN117437490B (zh) 2023-12-04 2023-12-04 一种服装信息的处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN117437490A true CN117437490A (zh) 2024-01-23
CN117437490B CN117437490B (zh) 2024-03-22

Family

ID=89551592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311639029.XA Active CN117437490B (zh) 2023-12-04 2023-12-04 一种服装信息的处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117437490B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102204A (zh) * 2020-09-27 2020-12-18 苏州科达科技股份有限公司 图像增强方法、装置及电子设备
CN116309168A (zh) * 2023-03-22 2023-06-23 西安建筑科技大学 一种并行混合注意力渐进融合的低照度图像增强方法及系统
WO2023177317A1 (en) * 2022-03-14 2023-09-21 Huawei Technologies Co., Ltd. Operation of a neural network with clipped input data
CN116823659A (zh) * 2023-06-29 2023-09-29 哈尔滨理工大学 一种基于深度特征提取的微光图像增强方法
CN116977208A (zh) * 2023-07-06 2023-10-31 西安邮电大学 双分支融合的低照度图像增强方法
WO2023221422A1 (zh) * 2022-05-18 2023-11-23 北京百度网讯科技有限公司 用于文本识别的神经网络及其训练方法、文本识别的方法
CN117152787A (zh) * 2022-05-18 2023-12-01 熵基科技股份有限公司 一种人物服饰识别方法、装置、设备和可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102204A (zh) * 2020-09-27 2020-12-18 苏州科达科技股份有限公司 图像增强方法、装置及电子设备
WO2023177317A1 (en) * 2022-03-14 2023-09-21 Huawei Technologies Co., Ltd. Operation of a neural network with clipped input data
WO2023221422A1 (zh) * 2022-05-18 2023-11-23 北京百度网讯科技有限公司 用于文本识别的神经网络及其训练方法、文本识别的方法
CN117152787A (zh) * 2022-05-18 2023-12-01 熵基科技股份有限公司 一种人物服饰识别方法、装置、设备和可读存储介质
CN116309168A (zh) * 2023-03-22 2023-06-23 西安建筑科技大学 一种并行混合注意力渐进融合的低照度图像增强方法及系统
CN116823659A (zh) * 2023-06-29 2023-09-29 哈尔滨理工大学 一种基于深度特征提取的微光图像增强方法
CN116977208A (zh) * 2023-07-06 2023-10-31 西安邮电大学 双分支融合的低照度图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIWEN LIANG ET AL: ""Attention-guided Low light enhancement CNN Network"", 《JOURNAL OF ROBOTICS, NETWORKING AND ARTIFICIAL LIFE》, vol. 9, no. 4, 31 March 2023 (2023-03-31), pages 316 - 320 *
陈清江等: ""双分支金字塔网络的微光图像增强算法"", 《液晶与显示》, vol. 37, no. 3, 31 March 2022 (2022-03-31), pages 395 - 404 *

Also Published As

Publication number Publication date
CN117437490B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
US10614574B2 (en) Generating image segmentation data using a multi-branch neural network
CN111275034B (zh) 从图像中提取文本区域的方法、装置、设备和存储介质
CN111652093B (zh) 文本图像处理方法及装置
CN111444365B (zh) 图像分类方法、装置、电子设备及存储介质
CN107665482B (zh) 实现双重曝光的视频数据实时处理方法及装置、计算设备
CN112182299B (zh) 一种视频中精彩片段的获取方法、装置、设备和介质
CN110674759A (zh) 一种基于深度图的单目人脸活体检测方法、装置及设备
CN111640123B (zh) 无背景图像的生成方法、装置、设备及介质
CN111681195B (zh) 红外图像和可见光图像的融合方法、装置及可读存储介质
CN110619334A (zh) 基于深度学习的人像分割方法、架构及相关装置
US20220319141A1 (en) Method for processing image, device and storage medium
CN116485944A (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN110689478B (zh) 图像风格化处理方法、装置、电子设备及可读介质
CN105701496A (zh) 一种基于人工智能技术的围棋盘面识别方法
US20240127404A1 (en) Image content extraction method and apparatus, terminal, and storage medium
CN107766803A (zh) 基于场景分割的视频人物装扮方法、装置及计算设备
CN115967823A (zh) 视频封面生成方法、装置、电子设备及可读介质
CN117437490B (zh) 一种服装信息的处理方法、装置、电子设备和存储介质
CN116798041A (zh) 图像识别方法、装置和电子设备
CN111107264A (zh) 图像处理方法、装置、存储介质以及终端
CN115953597B (zh) 图像处理方法、装置、设备及介质
EP4243423A1 (en) Method and device for changing background in picture, and storage medium and program product
CN114998172A (zh) 图像处理方法及相关系统
CN115410133A (zh) 视频密集预测方法及其装置
CN114387315A (zh) 图像处理模型训练、图像处理方法、装置、设备及介质

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