CN117796596A - 假发的染发方法及其控制系统 - Google Patents
假发的染发方法及其控制系统 Download PDFInfo
- Publication number
- CN117796596A CN117796596A CN202311655099.4A CN202311655099A CN117796596A CN 117796596 A CN117796596 A CN 117796596A CN 202311655099 A CN202311655099 A CN 202311655099A CN 117796596 A CN117796596 A CN 117796596A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature
- vector
- color
- feature vector
- 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
Links
- 238000004043 dyeing Methods 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000003287 optical effect Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 374
- 239000011159 matrix material Substances 0.000 claims description 158
- 238000012549 training Methods 0.000 claims description 121
- 230000002457 bidirectional effect Effects 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000037308 hair color Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000000118 hair dye Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 23
- 239000000975 dye Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 239000000835 fiber Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本申请涉及智能控制领域,其具体地公开了一种假发的染发方法及其控制系统,其通过采用基于深度学习的人工智能检测技术,基于光学传感器所采集的假发的亮度数据和颜色数据来自适应地调整染发温度值,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种假发的染发方法及其控制系统。
背景技术
假发染发是一种将染料从染液转移到假发纤维的过程,该过程受到多种因素的影响,如染料的类型、假发的材质、染液的成分、温度、时间等。
染发过程中,温度是一个重要的控制参数,因为它影响着染料在染液中的溶解度和扩散速率,以及染料与假发纤维之间的亲和力和结合力。传统的染发方法通常是根据经验或标准曲线来设定固定的温度值,然后按照预定的时间进行加热或保温。这种方法存在一些缺点,如难以适应染液或假发纤维状态的变化,从而导致染色不均匀或不稳定,降低了染发效率和质量。
因此,期待一种能够根据实时的假发染色状态来自适应地调整温度值的方案,以实现更优化的染发过程。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种假发的染发方法及其控制系统,其通过采用基于深度学习的人工智能检测技术,基于光学传感器所采集的假发的亮度数据和颜色数据来自适应地调整染发温度值,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。
根据本申请的一个方面,提供了一种假发的染发方法,其包括:
获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;
将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;
将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;
基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;
将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及
将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
在上述假发的染发方法中,将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量,包括:将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量;将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量;将所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量分别与所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量进行级联以得到所述亮度时序特征向量和所述颜色时序特征向量。
在上述假发的染发方法中,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量,包括:使用所述时序特征提取器的第一卷积层的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述时序特征提取器的第一卷积层的输出为所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量,所述时序特征提取器的第一卷积层的输入为所述亮度时序输入向量和所述颜色时序输入向量。
在上述假发的染发方法中,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量,包括:使用所述时序特征提取器的第二卷积层的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述时序特征提取器的第二卷积层的最后一层的输出为所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量,所述时序特征提取器的第二卷积层的输入为所述亮度时序输入向量和所述颜色时序输入向量。
在上述假发的染发方法中,基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵,包括:使用高斯密度图以如下公式来融合所述亮度时序特征向量和所述颜色时序特征向量以得到所述假发染色状态关联特征矩阵;其中,所述公式为:
其中,μ(m1,m2)表示所述假发染色状态关联特征矩阵的均值向量,∑(m1,m2)表示所述假发染色状态关联特征矩阵的协方差矩阵,m1表示所述亮度时序特征向量,m2表示所述颜色时序特征向量。
在上述假发的染发方法中,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵,包括:将所述假发染色状态关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵;将所述所述假发染色状态关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到假发染色状态关联特征向量和注意力特征向量;融合所述假发染色状态关联特征向量和所述注意力特征向量以得到融合关联特征向量;以及,将所述融合关联特征向量进行维度重构以得到所述解码特征矩阵。
在上述假发的染发方法中,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值,包括:使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的推荐染发温度值的解码值;其中,所述公式为:其中X表示所述解码特征矩阵,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
在上述假发的染发方法中,还包括训练步骤:对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括由光学传感器采集的被染色假发在预定时间段内多个预定时间点的训练亮度数据和训练颜色数据,以及,染发温度值的真实值;将所述多个预定时间点的训练亮度数据和训练颜色数据分别按照时间维度排列为训练亮度时序输入向量和训练颜色时序输入向量;将所述训练亮度时序输入向量和所述训练颜色时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练亮度时序特征向量和训练颜色时序特征向量;基于高斯密度图来融合所述训练亮度时序特征向量和所述训练颜色时序特征向量以得到训练假发染色状态关联特征矩阵;将所述训练假发染色状态关联特征矩阵通过所述双向注意力机制模块以得到训练解码特征矩阵;将所述训练解码特征矩阵通过所述解码器以得到真值差异损失函数值;计算所述训练亮度时序特征向量和所述训练颜色时序特征向量的伪循环差异惩罚因数;以及,以所述真值差异损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并基于梯度下降的方向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练。
在上述假发的染发方法中,计算所述训练亮度时序特征向量和所述训练颜色时序特征向量的伪循环差异惩罚因数,包括:以如下损失公式计算所述亮度时序特征向量和所述颜色时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值;其中,所述损失公式为:
其中,V1是所述训练亮度时序特征向量,V2是所述训练颜色时序特征向量,D(V1,V2)为所述训练亮度时序特征向量和所述训练颜色时序特征向量之间的距离矩阵,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练亮度时序特征向量和所述训练颜色时序特征向量之间的距离,||·||2是向量的二范数,log表示以2为底的对数函数值,且α和β为加权超参数,和/>分别表示向量减法和加法,/>是所述伪循环差异惩罚损失函数值。
根据本申请的另一方面,提供了一种假发的染发系统,其包括:
数据采集模块,用于获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;
排列模块,用于将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;
时序特征提取模块,用于将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;
高斯融合模块,用于基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;
双向注意力增强模块,用于将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及
解码模块,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的假发的染发方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的假发的染发方法。
与现有技术相比,本申请提供的一种假发的染发方法及其控制系统,其通过采用基于深度学习的人工智能检测技术,基于光学传感器所采集的假发的亮度数据和颜色数据来自适应地调整染发温度值,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的假发的染发方法的场景示意图;
图2为根据本申请实施例的假发的染发方法的流程图;
图3为根据本申请实施例的假发的染发方法中训练阶段的流程图;
图4为根据本申请实施例的假发的染发方法的系统架构图;
图5为根据本申请实施例的假发的染发方法中训练阶段的系统架构图;
图6为根据本申请实施例的假发的染发方法中时序特征提取过程的流程图;
图7为根据本申请实施例的假发的染发方法中双向注意力增强过程的流程图;
图8为根据本申请实施例的假发的染发系统的框图;
图9为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
针对上述技术问题,本申请的技术构思是利用深度学习和人工智能技术,并基于光学传感器所采集的假发的亮度数据和颜色数据来自适应地调整染发温度值。也就是,能够根据假发的实时染色状态来动态地调整染发温度,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。
具体地,在本申请的技术方案中,首先,获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据。其中,亮度数据和颜色数据可以反映假发的染色程度和效果,通过光学传感器采集这些数据可以实时监测假发的染色状态。
接着,将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量。这样可以保留假发染色过程中的时间信息,反映出假发的染色状态随时间的变化趋势,有利于提取时序特征。同时,可以将亮度数据和颜色数据统一为向量形式,方便后续的特征提取器和解码器的处理。
然后,将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量。这里,卷积层的作用是提取输入数据中的特征信息。也就是,在假发染发的过程中,亮度和颜色是两种重要的信息,它们随着时间的变化反映了假发染色的状态,对亮度和颜色的时序数据进行卷积运算,可以从中提取它们的时序特征。具体而言,卷积运算是通过滑动一个小的窗口(称为卷积核或滤波器)来对输入数据进行局部区域的运算。这样可以保留输入数据的形状,同时也可以捕捉到局部的信息。在本申请的技术方案中,时序特征提取器使用了两个卷积层,分别对应第一卷积层和第二卷积层,同时,它们分别具有不同尺度的卷积核。通过使用两个卷积层,可以实现对亮度和颜色的时序数据进行多尺度的特征提取。不同尺度的特征可以反映不同程度的变化,比如短期变化和长期变化。这些特征可以帮助判断假发染色的状态。
如前所述,亮度时序特征向量和颜色时序特征向量分别表示了假发在染色过程中的亮度变化和颜色变化,它们是两个不同维度的信息,但是它们之间存在着一定的关联性。因此,在本申请的技术方案中,基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵。其中,高斯密度图是一种能够反映数据分布和密度的可视化方法。通过高斯密度图,可以直观地观察数据之间的相似性和差异性,以及数据的聚集和分散程度。基于高斯密度图来融合亮度时序特征向量和颜色时序特征向量,可以利用高斯密度图的优点,将两个不同维度的信息映射到一个二维平面上,形成一个假发染色状态关联特征矩阵。这个矩阵可以反映出假发在染色过程中的整体变化趋势。
尽管所述假发染色状态关联特征矩阵融合了多维数据的局部特征,但可能还是存在难以充分表征数据中的隐含信息的问题,从而导致模型的泛化性能不佳。因此,在本申请的技术方案中,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵。这里,所述双向注意力机制模块可以自适应地对所述假发染色状态关联特征矩阵中各个空间位置的特征值进行筛选,并通过加权的方式来提高模型在表征假发在染色过程中的变化趋势的表达能力和精度。
进一步地,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。其中,所述解码器可以根据输入的特征矩阵生成相应的输出值。具体而言,解码器的作用是根据解码特征矩阵,生成当前时间点推荐的染发温度值,从而实现自适应地调整染发温度值,优化染发过程。在本申请的一个具体示例中,所述解码器可以使用全连接层来构建,所述解码器的全连接层能够充分利用所述解码特征矩阵中各个位置的信息。
在本申请的技术方案中,所述亮度时序特征向量和所述颜色时序特征向量分别表达亮度数据和颜色数据的时序方向上的局部关联特征,因此,所述亮度数据和所述颜色数据之间的源数据差异会在时序特征提取过程中被进一步扩大,导致所述亮度时序特征向量和所述颜色时序特征向量的整体特征分布在解码回归的概率密度表示下的分布不平衡,从而影响基于高斯密度图对所述亮度时序特征向量和所述颜色时序特征向量的融合效果,也就影响了将所述假发染色状态关联特征矩阵通过双向注意力机制模块得到的所述解码特征矩阵的解码效果。
基于此,本申请的申请人在针对所述解码值的真值(ground-truth)差异损失函数之外,进一步引入针对所述亮度时序特征向量,例如记为V1和所述颜色时序特征向量,例如记为V2的伪循环差异惩罚因数作为损失函数,具体表示为:
D(V1,V2)为特征向量V1和V2之间的距离矩阵,即所述距离矩阵的第(i,j)位置的特征值是特征向量V1的第i个特征值v1i与特征向量V2的第j个特征值v2j之间的距离,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是特征向量V1和V2之间的距离,例如欧式距离,||·||2是向量的二范数,log表示以2为底的对数,且α和β为加权超参数。
这里,考虑到所述亮度时序特征向量V1和所述颜色时序特征向量V2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常,从而形成模型参数更新的伪循环,所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数,来在最小化损失函数的模型训练过程中,将模型参数更新的伪循环视为真实循环,以通过梯度传播的模拟激活的方式来实现所述亮度时序特征向量V1和所述颜色时序特征向量V2各自的特征分布的渐进耦合,从而提高基于高斯密度图对所述亮度时序特征向量和所述颜色时序特征向量的融合效果,也就提高了所述解码特征矩阵的解码效果。
基于此,本申请提出了一种假发的染发方法,其包括:获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
图1为根据本申请实施例的假发的染发方法的场景示意图。如图1所示,在该应用场景中,通过光学传感器(例如,如图1中所示意的V)被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据。接着,将上述数据输入至部署有用于假发的染发算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述假发的染发算法对上述输入的数据进行处理,以生成解码值,所述解码值用于表示当前时间点的推荐染发温度值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的假发的染发方法的流程图。如图2所示,根据本申请实施例的假发的染发方法,包括:S110,获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;S120,将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;S130,将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;S140,基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;S150,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及,S160,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
图4为根据本申请实施例的假发的染发方法的系统架构图。如图4所示,在该网络架构中,首先,获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;接着,将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;然后,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;进而,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
具体地,在步骤S110中,获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据。应可以理解,在染发过程中,温度的控制是一个关键性因素,会影响染料在染液中的溶解度和扩散速率,以及染料与假发纤维之间的亲和力和结合力。因此,在本申请的技术方案中,可通过根据假发的实时染色状态来动态地调整染发温度,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。在一个示例中,首先,可通过光学传感器来获取被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据。
具体地,在步骤S120中,将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量。也就是,通过这样的排列方式来保留假发染色过程中的时间信息,反映出假发的染色状态随时间的变化趋势,有利于提取时序特征。在本申请的一个具体示例中,将所述亮度数据和所述颜色数据分别按照时间维度排列排列为一维向量的形式以得到所述亮度时序输入向量和所述颜色时序输入向量。
具体地,在步骤S130中,将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量。也就是,在得到所述亮度时序输入向量和所述颜色时序输入向量后,进一步将其分别输入包含第一卷积层和第二卷积层的时序特征提取器进行特征挖掘,这里,卷积层的作用是提取输入数据中的特征信息。也就是,在假发染发的过程中,亮度和颜色是两种重要的信息,它们随着时间的变化反映了假发染色的状态,对亮度和颜色的时序数据进行卷积运算,可以从中提取它们的时序特征。具体而言,卷积运算是通过滑动一个小的窗口(称为卷积核或滤波器)来对输入数据进行局部区域的运算。这样可以保留输入数据的形状,同时也可以捕捉到局部的信息。在本申请的技术方案中,时序特征提取器使用了两个卷积层,分别对应第一卷积层和第二卷积层,同时,它们分别具有不同尺度的卷积核。通过使用两个卷积层,可以实现对亮度和颜色的时序数据进行多尺度的特征提取。不同尺度的特征可以反映不同程度的变化,比如短期变化和长期变化。这些特征可以帮助判断假发染色的状态。
图6为根据本申请实施例的假发的染发方法中时序特征提取过程的流程图。如图6所示,在所述时序特征提取过程中,包括:S210,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量;S220,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量;S230,将所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量分别与所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量进行级联以得到所述亮度时序特征向量和所述颜色时序特征向量。
具体地,在步骤S140中,基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵。考虑到所述亮度时序特征向量和所述颜色时序特征向量是两个不同维度的信息,但是它们之间存在着一定的关联性。因此,在本申请的技术方案中,基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵。其中,高斯密度图是一种能够反映数据分布和密度的可视化方法。通过高斯密度图,可以直观地观察数据之间的相似性和差异性,以及数据的聚集和分散程度。基于高斯密度图来融合亮度时序特征向量和颜色时序特征向量,可以利用高斯密度图的优点,将两个不同维度的信息映射到一个二维平面上,形成一个假发染色状态关联特征矩阵。这个矩阵可以反映出假发在染色过程中的整体变化趋势。在本申请的一个具体示例中,使用高斯密度图以如下公式来融合所述亮度时序特征向量和所述颜色时序特征向量以得到所述假发染色状态关联特征矩阵;其中,所述公式为:
其中,μ(m1,m2)表示所述假发染色状态关联特征矩阵的均值向量,∑(m1,m2)表示所述假发染色状态关联特征矩阵的协方差矩阵,m1表示所述亮度时序特征向量,m2表示所述颜色时序特征向量。
具体地,在步骤S150中,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵。应可以理解,所述双向注意力机制模块可以自适应地对各个空间位置的特征值进行筛选,并通过加权的方式来提高模型表达能力和精度。因此,在本申请的技术方案中,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以此来对所述假发染色状态关联特征矩阵中各个空间位置的隐含特征进行完整表达,进而提高模型在表征假发在染色过程中的变化趋势的表达能力。
图7为根据本申请实施例的假发的染发方法中双向注意力增强过程的流程图。如图7所示,在所述双向注意力增强过程中,包括:S310,将所述假发染色状态关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;S320,对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;S330,将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵;S340,将所述所述假发染色状态关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到假发染色状态关联特征向量和注意力特征向量;S350,融合所述假发染色状态关联特征向量和所述注意力特征向量以得到融合关联特征向量;以及,S360,将所述融合关联特征向量进行维度重构以得到所述解码特征矩阵。
具体地,在步骤S160中,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。也就是,在得到所述解码特征矩阵后,进一步将其通过解码器进行解码回归以得到用于表示当前时间点的推荐染发温度值的解码值。其中,所述解码器可以根据输入的特征矩阵生成相应的输出值。具体而言,解码器的作用是根据解码特征矩阵,生成当前时间点推荐的染发温度值,从而实现自适应地调整染发温度值,优化染发过程。更具体地,使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的推荐染发温度值的解码值;其中,所述公式为:其中X表示所述解码特征矩阵,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。在本申请的一个具体示例中,所述解码器可以使用全连接层来构建,所述解码器的全连接层能够充分利用所述解码特征矩阵中各个位置的信息。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练。也就是说,在本申请的假发的染发方法中,还包括训练模块,用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练。
图3为根据本申请实施例的假发的染发方法中训练阶段的流程图。如图3所示,根据本申请实施例的假发的染发方法,还包括训练阶段,包括步骤:S1110,获取训练数据,所述训练数据包括由光学传感器采集的被染色假发在预定时间段内多个预定时间点的训练亮度数据和训练颜色数据,以及,染发温度值的真实值;S1120,将所述多个预定时间点的训练亮度数据和训练颜色数据分别按照时间维度排列为训练亮度时序输入向量和训练颜色时序输入向量;S1130,将所述训练亮度时序输入向量和所述训练颜色时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练亮度时序特征向量和训练颜色时序特征向量;S1140,基于高斯密度图来融合所述训练亮度时序特征向量和所述训练颜色时序特征向量以得到训练假发染色状态关联特征矩阵;S1150,将所述训练假发染色状态关联特征矩阵通过所述双向注意力机制模块以得到训练解码特征矩阵;S1160,将所述训练解码特征矩阵通过所述解码器以得到真值差异损失函数值;S1170,计算所述训练亮度时序特征向量和所述训练颜色时序特征向量的伪循环差异惩罚因数;以及,S1180,以所述真值差异损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并基于梯度下降的方向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练。
图5为根据本申请实施例的假发的染发方法中训练阶段的系统架构图。如图5所示,在所述假发的染发方法中,在训练过程中,首先,获取训练数据,所述训练数据包括由光学传感器采集的被染色假发在预定时间段内多个预定时间点的训练亮度数据和训练颜色数据,以及,染发温度值的真实值;接着,将所述多个预定时间点的训练亮度数据和训练颜色数据分别按照时间维度排列为训练亮度时序输入向量和训练颜色时序输入向量;将所述训练亮度时序输入向量和所述训练颜色时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练亮度时序特征向量和训练颜色时序特征向量;然后,基于高斯密度图来融合所述训练亮度时序特征向量和所述训练颜色时序特征向量以得到训练假发染色状态关联特征矩阵;将所述训练假发染色状态关联特征矩阵通过所述双向注意力机制模块以得到训练解码特征矩阵;然后,将所述训练解码特征矩阵通过所述解码器以得到真值差异损失函数值;计算所述训练亮度时序特征向量和所述训练颜色时序特征向量的伪循环差异惩罚因数;进而,以所述真值差异损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并基于梯度下降的方向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练。
应可以理解,所述亮度时序特征向量和所述颜色时序特征向量分别表达亮度数据和颜色数据的时序方向上的局部关联特征,因此,所述亮度数据和所述颜色数据之间的源数据差异会在时序特征提取过程中被进一步扩大,导致所述亮度时序特征向量和所述颜色时序特征向量的整体特征分布在解码回归的概率密度表示下的分布不平衡,从而影响基于高斯密度图对所述亮度时序特征向量和所述颜色时序特征向量的融合效果,也就影响了将所述假发染色状态关联特征矩阵通过双向注意力机制模块得到的所述解码特征矩阵的解码效果。基于此,本申请的申请人在针对所述解码值的真值(ground-truth)差异损失函数之外,进一步引入针对所述亮度时序特征向量,例如记为V1和所述颜色时序特征向量,例如记为V2的伪循环差异惩罚因数作为损失函数,具体表示为:
D(V1,V2)为特征向量V1和V2之间的距离矩阵,即所述距离矩阵的第(i,j)位置的特征值是特征向量V1的第i个特征值v1i与特征向量V2的第j个特征值v2j之间的距离,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是特征向量V1和V2之间的距离,例如欧式距离,||c||2是向量的二范数,log表示以2为底的对数,且α和β为加权超参数。这里,考虑到所述亮度时序特征向量V1和所述颜色时序特征向量V2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常,从而形成模型参数更新的伪循环,所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数,来在最小化损失函数的模型训练过程中,将模型参数更新的伪循环视为真实循环,以通过梯度传播的模拟激活的方式来实现所述亮度时序特征向量V1和所述颜色时序特征向量V2各自的特征分布的渐进耦合,从而提高基于高斯密度图对所述亮度时序特征向量和所述颜色时序特征向量的融合效果,也就提高了所述解码特征矩阵的解码效果。
综上,根据本申请实施例的假发的染发方法被阐明,其通过采用基于深度学习的人工智能检测技术,基于光学传感器所采集的假发的亮度数据和颜色数据来自适应地调整染发温度值,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。
示例性系统
图8为根据本申请实施例的假发的染发系统的框图。如图8所示,根据本申请实施例的假发的染发系统300,包括:数据采集模块310;排列模块320;时序特征提取模块330;高斯融合模块340;双向注意力增强模块350;以及,解码模块360。
其中,所述数据采集模块310,用于获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;所述排列模块320,用于将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;所述时序特征提取模块330,用于将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;所述高斯融合模块340,用于基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;所述双向注意力增强模块350,用于将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及,所述解码模块360,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
在一个示例中,在上述假发的染发系统300中,所述时序特征提取模块330,用于:将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量;将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量;将所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量分别与所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量进行级联以得到所述亮度时序特征向量和所述颜色时序特征向量。其中,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量,包括:使用所述时序特征提取器的第一卷积层的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述时序特征提取器的第一卷积层的输出为所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量,所述时序特征提取器的第一卷积层的输入为所述亮度时序输入向量和所述颜色时序输入向量。更具体地,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量,包括:使用所述时序特征提取器的第二卷积层的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述时序特征提取器的第二卷积层的最后一层的输出为所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量,所述时序特征提取器的第二卷积层的输入为所述亮度时序输入向量和所述颜色时序输入向量。
在一个示例中,在上述假发的染发系统300中,所述高斯融合模块340,用于:使用高斯密度图以如下公式来融合所述亮度时序特征向量和所述颜色时序特征向量以得到所述假发染色状态关联特征矩阵;其中,所述公式为:
/>
其中,μ(m1,m2)表示所述假发染色状态关联特征矩阵的均值向量,∑(m1,m2)表示所述假发染色状态关联特征矩阵的协方差矩阵,m1表示所述亮度时序特征向量,m2表示所述颜色时序特征向量。
在一个示例中,在上述假发的染发系统300中,所述双向注意力增强模块350,用于:将所述假发染色状态关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵;将所述所述假发染色状态关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到假发染色状态关联特征向量和注意力特征向量;融合所述假发染色状态关联特征向量和所述注意力特征向量以得到融合关联特征向量;以及,将所述融合关联特征向量进行维度重构以得到所述解码特征矩阵。
在一个示例中,在上述假发的染发系统300中,所述解码模块360,用于:使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的推荐染发温度值的解码值;其中,所述公式为:
其中X表示所述解码特征矩阵,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
综上,根据本申请实施例的假发的染发系统300被阐明,其通过采用基于深度学习的人工智能检测技术,基于光学传感器所采集的假发的亮度数据和颜色数据来自适应地调整染发温度值,从而提高染发效率和质量,避免染色不均匀或不稳定的问题。
如上所述,根据本申请实施例的假发的染发系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的假发的染发系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该假发的染发系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该假发的染发系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该假发的染发系统300与该终端设备也可以是分立的设备,并且该假发的染发系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的假发的染发方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如解码特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的假发的染发方法中的功能中的步骤。
所述计算机程序产品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申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的假发的染发方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种假发的染发方法,其特征在于,包括:
获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;
将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;
将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;
基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;
将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及
将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
2.根据权利要求1所述的假发的染发方法,其特征在于,将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量,包括:
将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量;
将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量;
将所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量分别与所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量进行级联以得到所述亮度时序特征向量和所述颜色时序特征向量。
3.根据权利要求2所述的假发的染发方法,其特征在于,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第一卷积层以得到第一尺度亮度时序特征向量和第一尺度颜色时序特征向量,包括:使用所述时序特征提取器的第一卷积层的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述时序特征提取器的第一卷积层的输出为所述第一尺度亮度时序特征向量和所述第一尺度颜色时序特征向量,所述时序特征提取器的第一卷积层的输入为所述亮度时序输入向量和所述颜色时序输入向量。
4.根据权利要求3所述的假发的染发方法,其特征在于,将所述亮度时序输入向量和所述颜色时序输入向量分别通过时序特征提取器的第二卷积层以得到第二尺度亮度时序特征向量和第二尺度颜色时序特征向量,包括:使用所述时序特征提取器的第二卷积层的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述时序特征提取器的第二卷积层的最后一层的输出为所述第二尺度亮度时序特征向量和所述第二尺度颜色时序特征向量,所述时序特征提取器的第二卷积层的输入为所述亮度时序输入向量和所述颜色时序输入向量。
5.根据权利要求4所述的假发的染发方法,其特征在于,基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵,包括:使用高斯密度图以如下公式来融合所述亮度时序特征向量和所述颜色时序特征向量以得到所述假发染色状态关联特征矩阵;
其中,所述公式为:
其中,μ(m1,m2)表示所述假发染色状态关联特征矩阵的均值向量,∑(m1,m2)表示所述假发染色状态关联特征矩阵的协方差矩阵,m1表示所述亮度时序特征向量,m2表示所述颜色时序特征向量。
6.根据权利要求5所述的假发的染发方法,其特征在于,将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵,包括:
将所述假发染色状态关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;
将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵;
将所述所述假发染色状态关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到假发染色状态关联特征向量和注意力特征向量;
融合所述假发染色状态关联特征向量和所述注意力特征向量以得到融合关联特征向量;以及
将所述融合关联特征向量进行维度重构以得到所述解码特征矩阵。
7.根据权利要求6所述的假发的染发方法,其特征在于,将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值,包括:使用所述解码器以如下公式将所述解码特征矩阵进行解码回归以获得用于表示当前时间点的推荐染发温度值的解码值;
其中,所述公式为:其中X表示所述解码特征矩阵,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
8.根据权利要求7所述的假发的染发方法,其特征在于,还包括训练步骤:对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由光学传感器采集的被染色假发在预定时间段内多个预定时间点的训练亮度数据和训练颜色数据,以及,染发温度值的真实值;
将所述多个预定时间点的训练亮度数据和训练颜色数据分别按照时间维度排列为训练亮度时序输入向量和训练颜色时序输入向量;
将所述训练亮度时序输入向量和所述训练颜色时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练亮度时序特征向量和训练颜色时序特征向量;
基于高斯密度图来融合所述训练亮度时序特征向量和所述训练颜色时序特征向量以得到训练假发染色状态关联特征矩阵;
将所述训练假发染色状态关联特征矩阵通过所述双向注意力机制模块以得到训练解码特征矩阵;
将所述训练解码特征矩阵通过所述解码器以得到真值差异损失函数值;
计算所述训练亮度时序特征向量和所述训练颜色时序特征向量的伪循环差异惩罚因数;以及
以所述真值差异损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值,并基于梯度下降的方向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述解码器进行训练。
9.根据权利要求8所述的假发的染发方法,其特征在于,计算所述训练亮度时序特征向量和所述训练颜色时序特征向量的伪循环差异惩罚因数,包括:以如下损失公式计算所述亮度时序特征向量和所述颜色时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值;
其中,所述损失公式为:
其中,V1是所述训练亮度时序特征向量,V2是所述训练颜色时序特征向量,D(V1,V2)为所述训练亮度时序特征向量和所述训练颜色时序特征向量之间的距离矩阵,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练亮度时序特征向量和所述训练颜色时序特征向量之间的距离,||·||2是向量的二范数,log表示以2为底的对数函数值,且α和β为加权超参数,和/>分别表示向量减法和加法,/>是所述伪循环差异惩罚损失函数值。
10.一种假发的染发系统,其特征在于,包括:
数据采集模块,用于获取由光学传感器采集的被染色假发在预定时间段内多个预定时间点的亮度数据和颜色数据;
排列模块,用于将所述多个预定时间点的亮度数据和颜色数据分别按照时间维度排列为亮度时序输入向量和颜色时序输入向量;
时序特征提取模块,用于将所述亮度时序输入向量和所述颜色时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到亮度时序特征向量和颜色时序特征向量;
高斯融合模块,用于基于高斯密度图来融合所述亮度时序特征向量和所述颜色时序特征向量以得到假发染色状态关联特征矩阵;
双向注意力增强模块,用于将所述假发染色状态关联特征矩阵通过双向注意力机制模块以得到解码特征矩阵;以及
解码模块,用于将所述解码特征矩阵通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐染发温度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311655099.4A CN117796596A (zh) | 2023-12-05 | 2023-12-05 | 假发的染发方法及其控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311655099.4A CN117796596A (zh) | 2023-12-05 | 2023-12-05 | 假发的染发方法及其控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117796596A true CN117796596A (zh) | 2024-04-02 |
Family
ID=90425964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311655099.4A Pending CN117796596A (zh) | 2023-12-05 | 2023-12-05 | 假发的染发方法及其控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117796596A (zh) |
-
2023
- 2023-12-05 CN CN202311655099.4A patent/CN117796596A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714849B2 (en) | Image generation system and method | |
CN111133453B (zh) | 人工神经网络 | |
EP3963516B1 (en) | Teaching gan (generative adversarial networks) to generate per-pixel annotation | |
CN107292352B (zh) | 基于卷积神经网络的图像分类方法和装置 | |
CN106874924B (zh) | 一种图片风格识别方法及装置 | |
Han et al. | Sample generation based on a supervised Wasserstein Generative Adversarial Network for high-resolution remote-sensing scene classification | |
Salehi et al. | Generative adversarial networks (GANs): An overview of theoretical model, evaluation metrics, and recent developments | |
CN108985457A (zh) | 一种受优化算法启发的深度神经网络结构设计方法 | |
US20220101144A1 (en) | Training a latent-variable generative model with a noise contrastive prior | |
CN111581926A (zh) | 文案生成方法、装置、设备和计算机可读存储介质 | |
CN115827257B (zh) | 用于处理器体系的cpu容量预测方法及其系统 | |
Hüttner et al. | First response fire combat: Deep leaning based visible fire detection | |
CN116426331A (zh) | 香料油的智能化制备方法及其系统 | |
CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及系统 | |
CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN116120761A (zh) | 一种分散型染料及其制备方法 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
Sofuoglu et al. | Multi-branch tensor network structure for tensor-train discriminant analysis | |
Li et al. | Diversified text-to-image generation via deep mutual information estimation | |
Tao et al. | Tensor-based multi-view spectral clustering via shared latent space | |
WO2024007873A1 (zh) | 一种图处理方法及相关装置 | |
CN110659701B (zh) | 信息处理方法、装置、电子设备及介质 | |
CN117796596A (zh) | 假发的染发方法及其控制系统 | |
CN114746868A (zh) | 编译神经网络模型的方法和装置 |
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 |