[發(fā)明專利]模型生成方法、模型獲取方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010260992.7
• 申請(qǐng)日: 2020-04-03
• 公開（公告）號(hào): CN111476708B
• 公開（公告）日: 2023-07-14
• 發(fā)明（設(shè)計(jì)）人: 張小偉;項(xiàng)偉;劉更代
• 申請(qǐng)（專利權(quán)）人: 廣州市百果園信息技術(shù)有限公司
• 主分類號(hào): G06T3/00
• 分類號(hào): G06T3/00;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種模型生成方法，其特征在于，包括：

獲取目標(biāo)風(fēng)格圖像；

將所述目標(biāo)風(fēng)格圖像輸入至預(yù)先訓(xùn)練的元網(wǎng)絡(luò)模型中，得到所述元網(wǎng)絡(luò)模型輸出的目標(biāo)參數(shù)值；

將所述目標(biāo)參數(shù)值賦值至預(yù)先訓(xùn)練的風(fēng)格網(wǎng)絡(luò)模型，以生成目標(biāo)風(fēng)格遷移模型；

其中，所述風(fēng)格網(wǎng)絡(luò)模型為一種缺失部分或全部參數(shù)值的風(fēng)格遷移模型；所述元網(wǎng)絡(luò)模型為一種用于輸出上述缺失的部分或全部參數(shù)值的模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述元網(wǎng)絡(luò)模型和所述風(fēng)格網(wǎng)絡(luò)模型通過如下方式進(jìn)行預(yù)先訓(xùn)練：

將樣本風(fēng)格圖像輸入至訓(xùn)練元網(wǎng)絡(luò)模型中，得到所述訓(xùn)練元網(wǎng)絡(luò)模型輸出的訓(xùn)練參數(shù)值；

將所述訓(xùn)練參數(shù)值賦值至訓(xùn)練風(fēng)格網(wǎng)絡(luò)模型，以生成訓(xùn)練風(fēng)格遷移模型；

將樣本內(nèi)容圖像輸入至所述訓(xùn)練風(fēng)格遷移模型中，得到樣本風(fēng)格化圖像；

基于預(yù)設(shè)損失函數(shù)對(duì)所述訓(xùn)練元網(wǎng)絡(luò)模型和所述訓(xùn)練風(fēng)格遷移模型進(jìn)行訓(xùn)練，得到元網(wǎng)絡(luò)模型和風(fēng)格遷移模型；

去除所述風(fēng)格遷移模型中的部分參數(shù)值，得到風(fēng)格網(wǎng)絡(luò)模型，其中，所述部分參數(shù)值與所述訓(xùn)練參數(shù)值對(duì)應(yīng)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預(yù)設(shè)損失函數(shù)包括以下至少一項(xiàng)：

基于樣本風(fēng)格化圖像和樣本內(nèi)容圖像確定的第一損失函數(shù)、基于樣本風(fēng)格化圖像和樣本風(fēng)格圖像確定的第二損失函數(shù)、以及基于樣本風(fēng)格化圖像確定的第三損失函數(shù)；其中，所述第一損失函數(shù)用于評(píng)估內(nèi)容損失，所述第二損失函數(shù)用于評(píng)估風(fēng)格損失，所述第三損失函數(shù)用于評(píng)估圖像噪音。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述風(fēng)格網(wǎng)絡(luò)模型包括基于編碼-解碼結(jié)構(gòu)的模型；所述元網(wǎng)絡(luò)模型中包括預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型以及分組全連接層。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述風(fēng)格網(wǎng)絡(luò)模型中包括重復(fù)預(yù)設(shè)次數(shù)的殘差網(wǎng)絡(luò)模塊和多個(gè)預(yù)設(shè)卷積核大小的卷積層。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述部分參數(shù)值包括除第一個(gè)卷積層和最后一個(gè)卷積層之外的卷積層對(duì)應(yīng)的參數(shù)值。

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述元網(wǎng)絡(luò)模型中包括兩個(gè)分組全連接層；其中，第一個(gè)分組全連接層基于所述風(fēng)格網(wǎng)絡(luò)模型中的卷積層數(shù)目確定，第二個(gè)分組全連接層基于所對(duì)應(yīng)的卷積層的參數(shù)數(shù)目確定。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型包括深度學(xué)習(xí)圖像分類模型；

所述將樣本風(fēng)格圖像輸入至訓(xùn)練元網(wǎng)絡(luò)模型中，得到所述訓(xùn)練元網(wǎng)絡(luò)模型輸出的訓(xùn)練參數(shù)值，包括：

將樣本風(fēng)格圖像輸入至訓(xùn)練元網(wǎng)絡(luò)模型中，經(jīng)過所述深度學(xué)習(xí)圖像分類模型在第一預(yù)設(shè)數(shù)量的尺度上輸出第一特征向量；

所述第一特征向量經(jīng)過所述第一個(gè)分組全連接層得到第二預(yù)設(shè)數(shù)量的第二特征向量組，其中，第二特征向量組與所述風(fēng)格網(wǎng)絡(luò)模型中的卷積層的順序?qū)?yīng)；

所述第二特征向量組經(jīng)過所述第二個(gè)分組全連接層得到輸出的訓(xùn)練參數(shù)值。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取目標(biāo)風(fēng)格圖像，包括：

接收客戶端在用戶操作下上傳的目標(biāo)風(fēng)格圖像；

在所述將所述目標(biāo)參數(shù)值賦值至預(yù)先訓(xùn)練的風(fēng)格網(wǎng)絡(luò)模型，以生成目標(biāo)風(fēng)格遷移模型之后，還包括：

將所述目標(biāo)風(fēng)格遷移模型返回至所述客戶端。

10.一種模型獲取方法，其特征在于，包括：

根據(jù)用戶操作確定目標(biāo)風(fēng)格圖像；

將所述目標(biāo)風(fēng)格圖像上傳至服務(wù)端，用于指示所述服務(wù)端基于如權(quán)利要求1-9任一所述的方法生成目標(biāo)風(fēng)格遷移模型，并接收所述服務(wù)端返回的所述目標(biāo)風(fēng)格遷移模型；或者，將所述目標(biāo)風(fēng)格圖像上傳至服務(wù)端，用于指示所述服務(wù)端將所述目標(biāo)風(fēng)格圖像輸入至預(yù)先訓(xùn)練的元網(wǎng)絡(luò)模型中并將得到的所述元網(wǎng)絡(luò)模型輸出的目標(biāo)參數(shù)值返回，將所述目標(biāo)參數(shù)值賦值至預(yù)先訓(xùn)練的風(fēng)格網(wǎng)絡(luò)模型，以生成目標(biāo)風(fēng)格遷移模型。