以下、図面を参照して本出願の例示的な実施例を説明し、理解しやすくするためにこの説明には本出願の実施例のさまざまな詳細が含まれており、このような詳細は例示的なものとして理解すべきである。したがって、当業者が理解できるように、本出願の範囲及び主旨を逸脱することなく、ここで記載された実施例についてさまざまな変化及び修正を行うことができる。同様に、明瞭さ及び簡素化から、以下の記載には、公知の機能及び構造の記載が省略される。
図1は、本出願の容貌変化操作結果の予測方法又は容貌変化操作結果の予測装置を適用し得る実施例の例示的なシステムアーキテクチャ100を示している。
図1に示すように、システムアーキテクチャ100は端末機器101、102、103、ネットワーク104、及びサーバ105を含むことができる。ネットワーク104は端末機器101、102、103とサーバ105との間に通信リンクを提供する媒体である。ネットワーク104は、たとえば有線、無線通信リンクや光ファイバケーブルなど、さまざまな接続タイプを含むことができる。
ユーザは、端末機器101、102、103を使用してネットワーク104を介してサーバ105と交互することで、メッセージなどを受送信することができる。端末機器101、102、103には、たとえば画像用アプリケーション、データ収集用アプリケーションなど、プッシュサービスを受信するさまざまなクライアントアプリケーションがインストールされてもよい。
端末機器101、102、103は、表示画面を有し、プッシュサービスの受信をサポートするさまざまな電子機器であってもよく、スマートフォン、タブレットコンピュータ、電子書籍リーダ、MP3プレーヤー(Moving Picture Experts Group Audio Layer III、ムービング・ピクチャー・エキスパート・グループ・オーディオ・レイヤー3)、MP4(Moving Picture Experts Group Audio Layer IV、ムービング・ピクチャー・エキスパート・グループ・オーディオ・レイヤー4)プレーヤー、ラップトップコンピュータやデスクトップコンピュータなどを含むが、これらに制限されない。
端末機器101、102、103はハードウェアであってもよいし、ソフトウェアであってもよい。端末機器101、102、103は、ハードウェアである場合、さまざまな電子機器であってもよく、端末機器101、102、103がソフトウェアである場合、上記電子機器にインストールされてもよい。複数のソフトウェア又はソフトウェアモジュール(たとえば分散サービスを提供するための複数のソフトウェアモジュール)として実現されてもよく、単一のソフトウェア又はソフトウェアモジュールとして実現されてもよい。ここで特に限定しない。
サーバ105は、ビッグデータ分野の技術によって容貌変化データを分類する又はデータをスクリーニングすることにより容貌変化のサンプルデータを取得し、次に、サンプルデータに基づいて人工知能分野の技術によって容貌変化についてモデリングし、端末機器101、102、103からユーザの容貌データ及び容貌変化操作タイプを取得し、容貌変化予測モデルを用いて予測ユーザ容貌の変化を利用し、端末機器101、102、103に予測結果を提供することができる。
なお、本開示の実施例による容貌変化操作結果の予測方法は、一般にはサーバ105によって実行され、それに対応して、容貌変化操作結果の予測装置は、一般にはサーバ105に配置される。
当然ながら、図1の端末機器、ネットワーク、及びサーバの数が例示的なものに過ぎない。必要に応じて、任意の数の端末機器、ネットワークやサーバを有してもよい。
さらに、図2を参照すると、本開示の容貌変化操作結果の予測方法の一実施例の手順200が示されている。容貌変化操作結果の予測方法は、ステップ201〜ステップ203を含むことができる。
ステップ201、容貌変化操作前のユーザの第1の容貌データ及び第1の容貌データに対応する容貌変化操作後の第2の容貌データを含む容貌変化操作のサンプルデータを取得する。
本実施例では、容貌変化操作結果の予測方法の実行主体(たとえば図1に示すサーバ)は、端末又はインターネットから容貌変化操作のサンプルデータを取得し、サンプルデータには、第1の容貌データであるユーザの容貌変化操作前の容貌データ、及び第2の容貌データであるユーザの容貌変化操作前の容貌データに対応する該ユーザの容貌変化操作後の容貌データが含まれている。容貌データは、たとえば顔画像、密なキーポイントに基づいた三次元顔モデルなど、ユーザ容貌特徴を表すさまざまなデータである。
一例として、サンプルデータは、追踪対象のユーザの10年間の容貌変化の顔画像であり、容貌変化操作は、加齢に伴うユーザの容貌変化であり、ユーザの容貌変化操作前の容貌データはサンプルを収集する1年目のユーザの顔画像であり、ユーザの容貌変化操作後の容貌データはサンプルを収集する10年目のユーザの顔画像であり、対応する容貌変化操作は「加齢」操作である。あるいは、サンプルデータは医療美容手術のケースのデータであり、容貌変化操作は医療美容手術や美容などの操作、又は医療美容手術において人体の特定部位に対する行う操作、たとえば二重眼瞼手術であり、ユーザの容貌変化操作前の容貌データは医療美容手術を受ける前のユーザの顔画像であり、ユーザの容貌変化操作後の容貌データは医療美容手術を受けた当該ユーザの顔画像である。
ステップ202、第1の容貌データ及び第2の容貌データに基づいて容貌変化操作の結果予測モデルを作成する。
本実施例では、サンプルデータのうちユーザの容貌変化操作前の容貌データ、及び該ユーザの容貌変化操作前の容貌データに対応する該ユーザの容貌変化操作後の容貌データに基づいて、データマイニング技術、回帰分析、ニューラルネットワークなどのアルゴリズムを利用して容貌変化操作の結果予測モデルを作成する。ここで、容貌変化操作の結果予測モデルは容貌変化操作前の容貌データに基づいて容貌変化操作後の容貌データを予測することに用いられる。結果予測モデルは、複数の方式、たとえば、ニューラルネットワークアルゴリズムを用いてモデリングすることができ、まず、サンプルデータのうちユーザの容貌変化操作前の容貌データ、及び該ユーザの容貌変化操作後の容貌データに基づいて訓練初期モデルを反復して訓練し、ユーザの容貌変化操作前の容貌データと該ユーザの容貌変化操作後の容貌データとの差異(たとえば所定特徴の特徴値の差)を利用してフィードバック情報を生成して初期モデルを更新し、訓練回数が所定回数を満たすと訓練を停止し、訓練回数を満たす初期モデルを最終的な結果予測モデルとする。又は、線形回帰などの数学モデルに基づいてモデリングし、サンプルデータに基づいてモデル中のパラメータをフィッティングする。
ステップ203、ターゲットユーザの容貌データ及び所望容貌変化操作を取得して、ターゲットユーザの容貌データ及び所望容貌変化操作に基づいて、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌変化操作後の容貌データを予測する。
本実施例では、ユーザ入力又はユーザから送信されたデータの読み取りによりターゲットユーザの容貌変化操作前の容貌データ、及びターゲットユーザが意図している容貌変化操作を取得し、ターゲットユーザの容貌変化操作前の容貌データ及び意図している容貌変化操作を容貌変化操作の結果予測モデルに入力し、容貌変化操作の結果予測モデルを用いてターゲットユーザが意図している容貌変化操作後の容貌データを予測する。
いくつかの適用シナリオでは、予測したターゲットユーザの容貌変化操作後の容貌データに基づいてターゲットユーザの容貌操作の成功率を評価することもできる。たとえば、容貌変化操作が医療美容手術である場合、医療美容手術を受ける前のターゲットユーザの顔画像と、従来のケースのデータを基に分析し、術前のターゲットユーザの顔画像の特徴又は比例と似ていたケースのデータのうち術前の顔画像に対応する手術成功率を分析し、ケースデータ中の類似ユーザの手術成功率に基づいてターゲットユーザの手術成功率を決定する。
本実施例による容貌変化の予測方法では、まず、容貌変化操作のサンプルデータに基づいて結果予測モデルを作成し、次に、結果予測モデルからターゲットユーザの容貌変化操作後の容貌データを予測し、容貌変化操作後の予測容貌データをユーザに提供して、ユーザの意思決定を支援する。
選択肢として、第1の容貌データ及び第2の容貌データに基づいて容貌変化操作の結果予測モデルを作成するステップは、第1の容貌データ及び第2の容貌データについてキーポイント特徴抽出を行うステップと、第1の容貌データのキーポイント特徴から第2の容貌データのキーポイント特徴に変換する変換関係についてモデリングし、結果予測モデルを得るステップとを含む。
本実施例では、容貌データのキーポイントを予め設定し、ユーザの容貌変化操作前の容貌データ中の変化前キーポイント特徴、及び該ユーザの容貌変化操作後の容貌データ中の変化後キーポイント特徴を抽出し、変化前キーポイント特徴から変化後キーポイント特徴に変換する変換関係に基づいてモデリングし、結果予測モデルを得る。ここで、キーポイント特徴は、容貌に大きく影響する、容貌特徴を表す特徴、たとえば目の大きさ眼、鼻の形状などとしてもい。具体的には、ニューラルネットワークアルゴリズム、回帰分析、又は再帰的分析などの関係モデルを利用してアルゴリズムを作成し、変化前キーポイント特徴から変化後キーポイント特徴に変換する変換関係に基づいてモデリングし、結果予測モデルを得る。本実施例では、キーポイントを選択し、キーポイント特徴の変化結果に基づいて予測モデルを作成することによって、少量のデータを用いて予測結果が正確な結果予測モデルを作成し、モデル作成効率を高めることができる。
いくつかの適用シナリオでは、図3に示すように、所定顔画像のうち301〜308は顔画像のキーポイント(ただし、キーポイントは顔画像中の任意の点であってもよく、ここでのキーポイントは一例にすぎない)であり、顔画像走査システムを用いてユーザ容貌変化操作前のキーポイント301〜キーポイント308の特徴値(たとえば、キーポイントの反射率、キーポイントの凹凸度、又はキーポイントの間の間隔や位置関係など)を第1の容貌データとして収集し、ユーザ容貌変化操作後のキーポイント301〜キーポイント308の特徴値を第2の容貌データとして収集し、第1の容貌データ及び第2の容貌データに基づいて容貌変化操作の結果予測モデルを作成する。ターゲットユーザが容貌変化操作前の顔画像を容貌変化操作の結果予測モデルに入力して、意図している容貌変化操作を選択すると、該結果予測モデルは、ターゲットユーザの容貌変化操作前のキーポイント301〜キーポイント308の特徴値に基づいて、ターゲットユーザの容貌変化操作後の顔画像のキーポイント301〜308の特徴値を算出し、ターゲットユーザ容貌変化操作後の顔画像のキーポイント301〜308の特徴値に基づいて生成されたターゲットユーザ容貌変化操作後の顔画像を出力する。
選択肢として、サンプルデータは、第2の容貌データに対応するユーザ身体状態データをさらに含み、第1の容貌データ及び第2の容貌データに基づいて容貌変化操作の結果予測モデルを作成するステップは、第1の容貌データ及び対応する第2の容貌データ、ユーザ身体状態データに基づいて容貌変化操作の結果予測モデルを作成するステップを含む。
本実施例では、サンプルデータのうちユーザの容貌変化操作前の容貌データ、該ユーザの容貌変化操作前の容貌データに対応する該ユーザの容貌変化操作後の容貌データ、及び該ユーザの容貌変化操作後の容貌データに対応するユーザ身体状態データに基づいて、データマイニング技術又は回帰分析などのアルゴリズムを用いて容貌変化操作の結果予測モデルを作成する。ここで、ユーザの身体状態データは身体の健康状況、たとえば医療美容手術を受けた後ユーザが罹患した後遺症の病症などであってもい。本実施例では、ユーザの容貌変化操作後の容貌データに対応するユーザ身体状態データを、結果予測モデルを作成する要素の1つとすることによって、容貌変化操作による、容貌変化以外の他の身体状態も予測結果とし、それにより、複数の方面についての予測結果情報をユーザに提供できる。
選択肢として、サンプルデータは第2の容貌データに対応するユーザ身体状態データをさらに含み、容貌変化操作結果の予測方法は、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌変化操作後の身体状態情報を予測するステップをさらに含む。
本実施例では、結果予測モデルによって、ターゲットユーザによって選択された容貌変化操作のタイプ(たとえば、医療美容手術の手術項目など)に応じてターゲットユーザの容貌変化操作後の身体状態情報を予測し、ターゲットユーザが容貌操作変化後の身体状態情報を把握するようにし、ユーザが結果情報を全面的に予測し、的確な意思決定をすることに寄与する。
さらに、図4を参照すると、容貌変化操作結果の予測方法の別の実施例の手順400が示されており、ステップ401〜403を含む。
ステップ401、容貌変化操作のサンプルデータを取得し、サンプルデータは、容貌変化操作前のユーザの第1の容貌データ及び第1の容貌データに対応する容貌変化操作後の第2の容貌データを含み、サンプルデータは、容貌変化操作前のユーザの第1の徴候データ及び第1の容貌データに対応する容貌変化操作後の第2の徴候データをさらに含む。
本実施例では、第1の容貌データ、第2の容貌データについての説明はステップ201における説明と一致するため、ここで詳しく説明しない。
本実施例では、端末又はインターネットから容貌変化操作のサンプルデータを取得し、サンプルデータには、第1の徴候データであるユーザの容貌変化操作前の徴候データ、及び第2の徴候データであるユーザの容貌変化操作前の徴候データに対応する該ユーザの容貌変化操作後の徴候データが含まれている。たとえば、サンプルデータは医療美容手術のケースデータであり、容貌変化操作は医療美容手術や美容などの操作であり、ユーザの容貌変化操作前の徴候データは医療美容手術を受ける前のユーザの身体の健康状況であり、ユーザの容貌変化操作後の徴候データは医療美容手術を受けた当該ユーザの身体の健康状況、たとえば後遺症などが発生したか否かである。
ステップ402、第1の容貌データ及び第2の容貌データに基づいて容貌変化操作の結果予測モデルを作成し、第1の徴候データ及び対応する第2の徴候データに基づいて徴候予測モデルを作成する。
本実施例では、結果予測モデルを作成することについての説明は、ステップ202と一致するため、ここで詳しく説明しない。
本実施例では、サンプルデータのうちユーザの容貌変化操作前の徴候データ、及び該ユーザの容貌変化操作前の徴候データに対応する該ユーザの容貌変化操作後の徴候データに基づいて、データマイニング技術又は回帰分析などのアルゴリズムによって徴候予測モデルを作成する。ここで、徴候予測モデルは、容貌変化操作前の徴候データに基づいて容貌変化操作後の徴候データを予測することに用いられる。
ステップ403、ターゲットユーザの容貌データ及び所望容貌変化操作を取得して、ターゲットユーザの容貌データ及び所望容貌変化操作に基づいて、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌変化操作後の容貌データを予測する。ターゲットユーザの徴候データ及び所望容貌変化操作を取得して、ターゲットユーザの徴候データに基づいて、徴候予測モデルを用いてターゲットユーザの所望容貌変化操作後の徴候データを予測する。
本実施例では、ターゲットユーザの容貌変化前の容貌データに基づいて結果予測モデルを用いて、その容貌変化操作後の容貌データを予測することについての説明はステップ203と一致するため、ここで詳しく説明しない。
本実施例では、ユーザ入力又はユーザから送信されたデータの読み取りによりターゲットユーザの容貌変化操作前の徴候データ及び意図している容貌変化操作を取得し、ターゲットユーザの容貌変化操作前の徴候データを徴候予測モデルに入力し、徴候予測モデルを用いてターゲットユーザが意図している容貌変化操作後の徴候データを予測する。
本実施例による容貌変化の予測方法では、まず、容貌変化操作のサンプルデータに基づいて徴候予測モデルを作成し、次に、徴候予測モデルに基づいてターゲットユーザの容貌変化操作後の徴候データを予測することによって、容貌変化操作後の予測徴候データをユーザに提供し、ユーザの意思決定を支援する。
さらに、図5を参照すると、容貌変化操作結果の予測方法のさらに別の実施例の手順500が示されており、ステップ501〜503を含む。
ステップ501、容貌変化操作のサンプルデータを取得し、サンプルデータは、容貌変化操作前のユーザの第1の容貌データ及び第1の容貌データに対応する容貌変化操作後の第2の容貌データを含み、サンプルデータは、容貌変化操作前のユーザの第1の徴候データ及び第1の容貌データに対応する容貌変化操作後の第2の徴候データをさらに含む。
本実施例では、第1の容貌データ、第2の容貌データ、第1の徴候データ、第2の徴候データはステップ201及びステップ401における説明と一致するので、ここで詳しく説明しない。
ステップ502、第1の容貌データと対応する第2の容貌データ、及び第1の徴候データと対応する第2の徴候データに基づいて容貌変化操作の結果予測モデルを作成する。
本実施例では、サンプルデータのうちユーザの容貌変化操作前の容貌データ、該ユーザの容貌変化操作前の容貌データに対応する該ユーザの容貌変化操作後の容貌データ、及びユーザの容貌変化操作前の徴候データ、該ユーザの容貌変化操作前の徴候データに対応する該ユーザの容貌変化操作後の徴候データに基づいて、データマイニング技術又は回帰分析などのアルゴリズムを用いて容貌変化操作の結果予測モデルを作成する。本実施例では、多方面の容貌変化操作前のデータ及び容貌変化操作後のデータに基づいて結果予測モデルを作成することによって、作成した結果予測モデルの予測正確性を高めることができる。
ステップ503、ターゲットユーザの容貌データ、徴候データ及び所望容貌変化操作を取得し、ターゲットユーザの容貌データ、徴候データ及び所望容貌変化操作に基づいて、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌データ及び徴候データを予測する。
本実施例では、結果予測モデルによって、ターゲットユーザの容貌変化操作前の容貌データ、徴候データ及びターゲットユーザが意図している容貌変化操作に基づいて、この意図している容貌変化操作を受けた後のターゲットユーザの容貌データ及び徴候データを予測する。たとえば、容貌操作変化が隆鼻手術である場合、手術前のターゲットユーザの鼻の画像及び鼻の健康状況、たとえば大打撃で鼻梁にひびが入っていないかなどに基づいて、隆鼻手術を受けた後のターゲットユーザの鼻の画像及び健康の状況、たとえば鼻梁のゆがみや詰まりなどの後遺症が発生する可能性があるかを判断する。本実施例では、容貌データ及び徴候データに基づいて作成した結果予測モデルを用いてターゲットユーザの容貌操作後の容貌データ及び徴候データを予測することによって、予測モデルはターゲットユーザの容貌操作後のデータを全面的に分析し、予測結果をより正確にすることができる。
上記で図2、図4及び図5を参照して説明した実施例のいくつかの可能な実現形態では、容貌変化操作結果の予測方法は、容貌変化操作の結果予測モデルによるターゲットユーザの所望容貌変化操作の予測結果に基づいて、ターゲットユーザの所望容貌変化操作の操作リスク提示情報を生成するステップをさらに含む。
本実施例では、容貌変化操作結果に基づいて、モデルの出力するターゲットユーザの容貌変化操作の予測結果を予測し、ターゲットユーザに意図している容貌変化操作を行うことのリスクの情報を生成する。ここで、予測結果は、ターゲットユーザの容貌操作変化後の顔画像及び/又は容貌操作変化後の徴候データであり、リスクの提示情報は容貌操作変化後の顔画像と容貌操作変化後の顔画像との比較から生成した容貌変化程度、又は容貌操作変化後の徴候データに基づいて生成した徴候データ報告である。たとえば、容貌変化操作は、医療美容手術のうちの二重眼瞼手術項目であり、容貌変化操作結果の予測モデルから出力されたターゲットユーザの容貌変化操作の予測結果として、顔画像中の眼瞼には明らかな変化がなく、角膜炎などの後遺症に罹患することがある場合、該予測結果に基づいて手術リスクの提示をターゲットユーザに送信する。本実施例では、予測結果に基づいてリスク提示情報をターゲットユーザに提示することによって、ターゲットユーザが容貌変化操作を受けるか否かを決定することにさらに寄与する。
さらに、図6を参照すると、上記各図に示す方法の実現として、本開示は、容貌変化操作結果の予測装置の一実施例を提供し、該装置の実施例は、図2に示す方法の実施例に対応しており、該装置は、具体的には、さまざまな電子機器に適用できる。
図6には、本実施例の容貌変化操作結果の予測装置600が示されており、該装置600は、取得ユニット601、モデリングユニット602、予測ユニット603を含み、取得ユニット601は、容貌変化操作前のユーザの第1の容貌データ及び第1の容貌データに対応する容貌変化操作後の第2の容貌データを含む容貌変化操作のサンプルデータを取得するように構成され、モデリングユニット602は、第1の容貌データ及び第2の容貌データに基づいて容貌変化操作の結果予測モデルを作成するように構成され、予測ユニット603は、ターゲットユーザの容貌データ及び所望容貌変化操作を取得して、ターゲットユーザの容貌データ及び所望容貌変化操作に基づいて、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌変化操作後の容貌データを予測するように構成される。
いくつかの実施例では、モデリングユニットは、第1の容貌データ及び第2の容貌データについてキーポイント特徴抽出を行うように構成される抽出モジュールと、第1の容貌データのキーポイント特徴から第2の容貌データのキーポイント特徴に変換する変換関係についてモデリングし、結果予測モデルを得るように構成される第1のモデリングモジュールとを含む。
いくつかの実施例では、該装置は、第2の容貌データに対応するユーザ身体状態データを取得する取得ユニットをさらに含み、モデリングユニットは、第1の容貌データ及び対応する第2の容貌データ、ユーザ身体状態データに基づいて容貌変化操作の結果予測モデルを作成するように構成される第1のモデリングサブユニットを含み、該装置は、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌変化操作後の身体状態情報を予測するように構成される第2のモデリングモジュールをさらに含む。
いくつかの実施例では、サンプルデータは、容貌変化操作前のユーザの第1の徴候データ及び第1の容貌データに対応する容貌変化操作後の第2の徴候データをさらに含む。
いくつかの実施例では、該装置は、第1の徴候データ及び対応する第2の徴候データに基づいて徴候予測モデルを作成するように構成される第3のモデリングモジュールと、ターゲットユーザの徴候データ及び所望容貌変化操作を取得して、ターゲットユーザの容貌変化操作前の徴候データに基づいて、徴候予測モデルを用いてターゲットユーザの所望容貌変化操作後の徴候データを予測するように構成される徴候予測モジュールとをさらに含む。
いくつかの実施例では、モデリングユニットは、第1の容貌データと対応する第2の容貌データ、及び第1の徴候データと対応する第2の徴候データに基づいて、容貌変化操作の結果予測モデルを作成するように構成される第2のモデリングサブユニットを含み、該装置は、ターゲットユーザの徴候データ及び所望容貌変化操作を取得して、ターゲットユーザの徴候データ及び所望容貌変化操作に基づいて、容貌変化操作の結果予測モデルを用いてターゲットユーザの所望容貌変化操作後の徴候データを予測するように構成される第4のモデリングモジュールをさらに含む。
いくつかの実施例では、該装置は、容貌変化操作の結果予測モデルによるターゲットユーザの所望容貌変化操作の予測結果に基づいて、ターゲットユーザの所望容貌変化操作の操作リスク提示情報を生成するように構成される提示ユニットをさらに含む。
上記装置600の各ユニットは、図2、図4及び図5を参照して説明した方法のステップに対応している。これにより、以上で容貌変化操作結果の予測方法について説明した操作、特徴及び達成できる技術的効果は、装置600及びそのユニットにも適用でき、ここで詳しく説明しない。
本出願に係る実施例では、本出願は、電子機器、及び読み取り可能な記憶媒体をさらに提供する。
図7には、本出願の実施例に係る容貌変化操作結果の予測方法の電子機器のブロック図が示されている。電子機器は、たとえば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、及びその他の適切なコンピュータなど、様々な形式のデジタルコンピュータを指すことを意図している。電子機器は、たとえば、パーソナルデジタルアシスタント、携帯電話、スマートフォン、ウェアラブル機器、及びその他の類似のコンピューティング装置など、様々な形式の移動装置を示してもよい。本明細書に示されているコンポーネント、それらの接続と関係、及びそれらの機能は単なる例であるが、本明細書の説明及び/又は要求される本出願の実現を制限する意図はしない。
図7に示すように、この電子機器は、1つ又は複数のプロセッサ701、メモリ702、及び高速インターフェースと低速インターフェースを含む、様々なコンポーネントを接続するためのインターフェースを含む。各コンポーネントは、異なるバスを介して互いに接続され、共通のマザーボードに取り付けられ、又は必要に応じて他の方式で取り付けられ得る。プロセッサは電子機器内で実行される命令を処理でき、この命令には、メモリ内に格納される又はメモリ上に格納されて外部入力/出力装置(たとえば、インターフェースに結合された表示機器など)にGUMのグラフィック情報を表示する命令が含まれる。他の実施形態では、複数のプロセッサ及び/又は複数のバスを、必要に応じて、複数のメモリ及び複数のメモリとともに使用することができる。同様に、複数の電子機器を接続することができ、各機器は必要な操作の一部(たとえば、サーバアレイ、ブレードサーバ、又はマルチプロセッサシステムとして)を提供する。図7では、1つのプロセッサ701の場合が例示されている。
メモリ702は、本出願による非一時的なコンピュータ可読記憶媒体である。前記メモリは、本出願に係る容貌変化操作結果の予測方法を前記少なくとも1つの前記プロセッサに実行させるように、少なくとも1つのプロセッサによって実行可能な命令を格納している。本出願の非一時的なコンピュータ可読記憶媒体は、本出願に係る容貌変化操作結果の予測方法をコンピュータに実行させるためのコンピュータ命令を格納している。
非一時的なコンピュータ可読記憶媒体としてのメモリ702は、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能なプログラム及びモジュール、たとえば、本出願の実施例における容貌変化操作結果の予測方法に対応するプログラム命令/モジュール(たとえば、図6に示す取得ユニット601、モデリングユニット602、予測ユニット603)を格納することができる。プロセッサ701は、メモリ702に格納された非一時的なソフトウェアプログラム、命令、及びモジュールを実行することによって、サーバの様々な機能アプリケーション及びデータ処理を実行し、すなわち、上記方法実施例における容貌変化操作結果の予測方法を実現する。
メモリ702は、プログラム記憶領域及びデータ記憶領域を含むことができ、プログラム記憶領域は、オペレーティングシステム、及び少なくとも1つの機能に必要なアプリケーションプログラムを格納し、データ記憶領域は、容貌変化操作結果の予測方法の電子機器の使用に従って作成されたデータなどを格納する。さらに、メモリ702は、高速ランダムアクセスメモリを含み、さらに、たとえば、少なくとも1つの磁気ディスクストレージデバイス、フラッシュメモリデバイス、又は他の非一時的なソリッドステートストレージデバイスなどの非一時的なメモリを含んでもよい。いくつかの実施例では、メモリ702は、プロセッサ701に対して遠隔的に設置されるメモリを選択的に含んでもよく、これらの遠隔メモリは、ネットワークを介して容貌変化操作結果の予測方法の電子機器に接続され得る。上記ネットワークの例には、インターネット、企業イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びそれらの組み合わせが含まれるが、これらに限定されない。
容貌変化操作結果の予測方法の電子機器は、入力装置703及び出力装置704をさらに含んでもよい。プロセッサ701、メモリ702、入力装置703及び出力装置704はバス又はその他の方式で接続してもよく、図7には、バス705による接続が例示されている。
入力装置703は、入力される数字又はキャラクター情報を受信すること、容貌変化操作結果の予測方法の電子機器、たとえば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、ポインタ、1つ又は複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置のユーザ設定及び機能制御に関連するキー信号入力を生成することができる。出力装置704は、表示機器、補助照明装置(たとえば、LED)、触覚フィードバック装置(たとえば、振動モータ)などを含む。この表示機器は、液晶ディスプレイ(LDC)、発光ダイオード(LED)ディスプレイ、及びプラズマディスプレイを含むが、これらに限定されない。いくつかの実施形態では、表示機器はタッチスクリーンであり得る。
ここで説明するシステム及び技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、専用ASIC(特定用途向け集積回路)、コンピュータハードウェア、ファームウェア、ソフトウェア、及び/又はそれらの組み合わせにおいて実現することができる。これらの様々な実施形態は、1つ又は複数のコンピュータプログラムにおいて実施され、この1つ又は複数のコンピュータプログラムは、少なくとも1つのプログラム可能なプロセッサを含むプログラム可能なシステムで実行及び/又は解釈され得、このプログラム可能なプロセッサは専用又は汎用のプログラム可能なプロセッサであってもよく、ストレージシステム、少なくとも1つの入力装置、及び少なくとも1つの出力装置からデータ及び命令を受信したり、データ及び命令をこのストレージシステム、少なくとも1つの入力装置、及び少なくとも1つの出力装置に送信したりすることができる。
これらのコンピューティングプログラム(プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとも呼ばれる)には、プログラム可能なプロセッサの機械命令が含まれ、高度なプロセス及び/又はオブジェクト指向のプログラミング言語、及び/又はアセンブリ/機械語を用いてこれらのコンピューティングプログラムを実施できる。たとえば、本明細書で使用される「機械読み取り可能な媒体」及び「コンピュータ可読媒体」という用語は、機械命令及び/又はデータをプログラム可能なプロセッサの任意のコンピュータプログラム製品、機器、及び/又は装置(たとえば、磁気ディスク、光ディスク、メモリ、プログラマブルロジック機器(PLD))に提供するものを指し、機械読み取り可能な信号としての機械命令を受信するための機械読み取り可能な媒体を含む。「機械読み取り可能な信号」という用語は、プログラム可能なプロセッサに機械命令及び/又はデータを提供するために使用される任意の信号を指す。
ユーザと対話できるように、ここで説明するシステム及び技術をコンピュータに実施することができ、このコンピュータは、ユーザに情報を表示するための表示装置(たとえば、CRT(陰極線管)又はLCD(液晶ディスプレイ)モニター)、ユーザがコンピュータに入力することを可能とするキーボード及びポインティング装置(たとえば、マウスやトラックボール)を有する。他の種類の装置も、ユーザとの対話を提供することができ、たとえば、ユーザに提供するフィードバックは、任意の形式の感覚フィードバック(たとえば、視覚的フィードバック、聴覚的フィードバック、又は触覚的フィードバック)であってもよく、そして、ユーザからの入力は、任意の形式(音響入力、音声入力、又は触覚入力を含む)で受信できる。
ここで説明するシステム及び技術は、バックエンドコンポーネントを含むコンピューティングシステム(たとえば、データサーバとして)、又はミドルウェアコンポーネントを含むコンピューティングシステム(たとえば、アプリケーションサーバ)、又はフロントエンドコンポーネントを含むコンピューティングシステム(たとえば、グラフィカルユーザインターフェース又はWEBブラウザーを備えたユーザコンピュータが挙げられ、ユーザはこのグラフィカルユーザインターフェース又はこのWEBブラウザーを介してここで説明するシステム及び技術の実施形態と対話できる)、又はこのようなバックエンドコンポーネント、ミドルウェアコンポーネント、又はフロントエンドコンポーネントを含む任意の組み合わせコンピューティングシステムにおいて実施できる。システムのコンポーネントは、任意の形式又は媒体のデジタルデータ通信(たとえば、通信ネットワーク)を介して相互に接続できる。通信ネットワークの例には、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN)、及びインターネットが含まれる。
コンピュータシステムには、クライアントとサーバを含むことができる。クライアントとサーバは通常、互いに遠く離れており、通信ネットワークを介して互いに会話するのが一般的である。クライアントとサーバの関係は、対応するコンピュータで実行され、互いにクライアント−サーバの関係を持つコンピュータプログラムによって生成される。
なお、上記の様々な形式のプロセスを用いて、ステップを改めて並べ替えたり、追加したり、削除したりすることができる。たとえば、本出願に記載の各ステップは、本出願開示の技術案の所望の結果が達成できる限り、並行して実施しても、順次実施しても、異なる順序で実施してもよく、本明細書では、それについて限定しない。
上記特定実施形態は、本出願の特許範囲に対する制限を構成するものではない。当業者にとって明らかなように、設計要件及び他の要因に応じて、様々な修正、組み合わせ、サブ組み合わせ、及び置換を行うことができる。本出願の精神及び原則の範囲内で行われた修正、同等の置換、及び改良であれば、本出願の特許範囲に含まれるものとする。