CN106993851B - 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 - Google Patents
一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 Download PDFInfo
- Publication number
- CN106993851B CN106993851B CN201710351500.3A CN201710351500A CN106993851B CN 106993851 B CN106993851 B CN 106993851B CN 201710351500 A CN201710351500 A CN 201710351500A CN 106993851 B CN106993851 B CN 106993851B
- Authority
- CN
- China
- Prior art keywords
- image
- shoe
- foot shape
- images
- network
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43D—MACHINES, TOOLS, EQUIPMENT OR METHODS FOR MANUFACTURING OR REPAIRING FOOTWEAR
- A43D1/00—Foot or last measuring devices; Measuring devices for shoe parts
- A43D1/04—Last-measuring devices
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Footwear And Its Accessory, Manufacturing Method And Apparatuses (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法和预测装置,包括以下步骤:(S1)采集鞋子图像和脚型图像;(S2)训练生成式对抗网络;(S3)扩充现有鞋子图像数据和脚型图像数据;(S4)将鞋子图像和对应的脚型图像组合成六通道图像,使用递归神经网络训练基于鞋子图像和脚型图像的鞋楦参数模型;(S5)利用鞋楦参数模型自动预测鞋楦参数。本发明基于鞋子图像和脚型图像的鞋楦参数自动预测方法与预测装置,能够通过采集用户鞋子图像和脚型图像,自动扩充鞋子图像和脚型图像数据,自动预测鞋楦参数。
Description
技术领域
本发明涉及一种鞋楦参数自动预测方法及预测装置,特别涉及一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置。
背景技术
鞋楦是鞋子生产技术的核心,也是制约鞋子生产的关键因素。以往的鞋楦测量,需要有经验的技术工人进行复杂的测量换算,才能得到鞋楦参数,不仅费时费力,还导致企业的生产力受技术工人的效率限制,以至于定制化鞋子服务价格居高不下,效率无法提高,成为制约市场发展的一个重要因素。本发明提供一种根据鞋子图像和脚型图像自动预测鞋楦参数的方法和装置,消费者可以通过使用手机按照一定要求拍摄几张鞋子照片和脚型照片,就能快速、准确的得到鞋楦参数,进而订制合适的鞋子,以非常低廉的价格,体验到便捷、准确的鞋子定制化服务。
发明内容
为了解决现有技术的不足,本发明的目的是提供一种能够快速、便捷、准确的基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置。
为了实现上述目的,本发明提供了一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法,包括如下步骤:
S1,采集鞋子图像和脚型图像;
S2,训练生成式对抗网络;
S3,扩充现有鞋子图像数据和脚型图像数据;
S4,将鞋子图像和对应的脚型图像组合成六通道图像,使用递归神经网络训练基于鞋子图像和脚型图像的鞋楦参数模型;
S5,利用鞋楦参数模型自动预测鞋楦参数。
优选地,所述步骤S1进一步包括如下步骤:
S101,根据鞋楦参数,采集鞋子图像和脚型图像,每个鞋楦参数采集对应的8个不同角度鞋子图像和脚型图像;
S102,将一个鞋楦参数对应的8个不同角度鞋子图像和脚型图像随机分成四组,每组两个角度图像,一个角度图像包括鞋子图像和脚型图像。
优选地,步骤S2进一步包括如下步骤:
S201,对鞋子图像和脚型图像进行数据扩增,包括水平翻转、旋转变换和随机裁剪,组内图像的扩增操作相同;
S202,训练生成式对抗网络,包括生成网络和判别网络,将组内图像进行转换生成;
S203,训练过程中,组内图像交替作为输入和输出进行训练,交替训练生成模型和判别模型,并用反向传播算法更新两个网络的参数。
有利地,步骤S202包括:
生成网络是一个先编码后解码的过程,输入图像为3通道分辨率为256*256,先将输入图像通过8层卷积层解析成1*1*512的向量,每层卷积层后跟一个ReLU激活层;随后将该解析后的向量通过8层反卷积层,上采样成为3通道分辨率为256*256的图像,每层卷积层后跟一个ReLU激活层;最后编码和解码对应的层之间,从编码层到解码层有对应的超通道直连;
判别网络是一个编码的过程,输入为组内的另一张图像和生成网络G生成的图像组成的6通道的图,包括5个卷积层,每个卷积层后跟一个ReLU激活层,最终得到一个8*8的置信度图,用来判别生成网络生成的图像是否为真实图像;
训练目标为:
其中,x,y为采集的真实鞋子图像样本和脚型图像样本,y为生成网络G生成的鞋子图像样本和脚型图像样本。
优选地,所述步骤S3为利用训练好的生成网络扩充现有鞋子图像数据和脚型图像数据,从而将训练样本扩充一倍。
优选地,所述步骤S4进一步包括如下步骤:
S401,将鞋子图像和脚型图像组合成一张六通道图像,使用卷积神经网络作为提取组合图像特征的网络;
S402,初始化卷积神经网络和递归神经网络的权重,将组合图像输入卷积神经网络中,将该组合图像对应的鞋楦参数依次输入递归神经网络中,在神经网络中做前传计算,得到预测的鞋楦参数,并与真实的鞋楦参数计算误差,反向传播误差,同时更新卷积神经网络和递归神经网络参数。
优选地,所述步骤S5进一步包括如下步骤:
S501,将待预测的鞋子图像和脚型图像输入生成网络,生成新的鞋子图像和脚型图像;
S502,将真实的组合图像和生成的组合图像分别输入鞋楦参数模型中,做前向计算得到两组鞋楦参数;
S503,将这两组鞋楦参数的平均值作为最终结果,预测得到鞋楦参数。
本发明还提供了一种基于鞋子图像和脚型图像的鞋楦参数自动预测装置,包括鞋子图像采集模块,用于采集鞋子图像;脚型图像采集模块,用于采集脚型图像;图像扩充模块,用于扩充鞋子图像和脚型图像;训练模块,用于训练生成式对抗网络和递归神经网络;存储模块,用于保存鞋子图像、脚型图像、鞋楦参数和生成式对抗网络模型、递归神经网络模型;自动预测模块,用于自动预测鞋楦参数。
有利地,所述自动预测模块分别预测真实组合图像和生成组合图像对应的鞋楦参数,然后求平均值,得到最终的鞋楦参数预测值。
针对当前鞋楦参数测量效率低下、主观性强,制约生产力发展和生产价格降低的问题,设计出基于鞋子图像和脚型图像的鞋楦参数自动预测方法与装置,能够根据客户的鞋子图像和脚型图像自动扩充数据并预测对应的鞋楦参数。
附图说明
图1是本发明提供的自动预测方法流程图;
图2是本发明提供的生成网络和判别网络的展开图;
图3是本发明所提供的卷积神经网络和递归神经网络的展开图;
图4是本发明提供的自动预测装置优选实施例的结构示意图。
具体实施方式
如图1、图2和图3所示,本发明提供了一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法,包括如下步骤:
S1,采集鞋子图像和脚型图像;
S2,训练生成式对抗网络;
S3,扩充现有鞋子图像数据和脚型图像数据;
S4,将鞋子图像和对应的脚型图像组合成六通道图像,使用递归神经网络训练基于鞋子图像和脚型图像的鞋楦参数模型;
S5,利用鞋楦参数模型自动预测鞋楦参数。
优选地,所述步骤S1进一步包括如下步骤:
S101,根据鞋楦参数,采集鞋子图像和脚型图像,每个鞋楦参数采集对应的8个不同角度鞋子图像和脚型图像;
S102,将一个鞋楦参数对应的8个不同角度鞋子图像和脚型图像随机分成四组,每组两个角度图像,一个角度图像包括鞋子图像和脚型图像。
优选地,步骤S2进一步包括如下步骤:
S201,对鞋子图像和脚型图像进行数据扩增,包括水平翻转、旋转变换和随机裁剪,组内图像的扩增操作相同;
S202,训练生成式对抗网络,包括生成网络和判别网络,将组内图像进行转换生成;
S203,训练过程中,组内图像交替作为输入和输出进行训练,交替训练生成模型和判别模型,并用反向传播算法更新两个网络的参数。
在所述步骤S101中,鞋楦参数,具体包括楦长、脚跖围G2、脚跖围G3、脚兜跟围G4、脚宽、掌宽、拇指外突点轮廓里宽、小趾外突点轮廓外宽、第一跖趾轮廓里宽、第五跖趾轮廓外宽、腰窝轮廓外宽、踵心轮廓全宽、拇指高度、脚型G2高、脚型G3高、脚型G4高、脚投影底面积、G2面积、G3面积、G4面积、G4前中截面面积、脚前部体积、整脚体积。
在所述步骤S201中,对鞋子图像和脚型图像进行预处理,包括进行水平翻转、旋转变换和随机裁剪,用于增加样本数量。
在所述步骤S202中,生成网络是一个先编码后解码的过程,输入图像为3通道分辨率为256*256,先将输入图像通过8层卷积层解析成1*1*512的向量,每层卷积层后跟一个ReLU激活层;随后将该解析后的向量通过8层反卷积层,上采样成为3通道分辨率为256*256的图像,每层卷积层后跟一个ReLU激活层;最后编码和解码对应的层之间,从编码层到解码层有对应的超通道直连;判别网络是一个编码的过程,输入为组内的另一张图像和生成网络G生成的图像组成的6通道的图,包括5个卷积层,每个卷积层后跟一个ReLU激活层,最终得到一个8*8的置信度图,用来判别生成网络生成的图像是否为真实图像;训练目标为:
其中,x,y为采集的真实鞋子图像样本和脚型图像样本,y为生成网络G生成的鞋子图像样本和脚型图像样本。
在所述步骤S203中,利用误差反向传播(BP)算法训练生成式对抗网络,根据判别网络的预测结果与实际样本的误差更新网络参数,先固定生成网络,调整判别网络,等到判别网络的loss不再下降时,固定判别网络,调整生成网络,如此交替进行,直到两个网络都达到稳定时,停止训练。
优选地,所述步骤S3为利用训练好的生成网络扩充现有鞋子图像数据和脚型图像数据,从而将训练样本扩充一倍。
优选地,所述步骤S4进一步包括如下步骤:
S401,将鞋子图像和脚型图像组合成一张六通道图像,使用卷积神经网络作为提取组合图像特征的网络;
S402,初始化卷积神经网络和递归神经网络的权重,将组合图像输入卷积神经网络中,将该组合图像对应的鞋楦参数依次输入递归神经网络中,在神经网络中做前传计算,得到预测的鞋楦参数,并与真实的鞋楦参数计算误差,反向传播误差,同时更新卷积神经网络和递归神经网络参数。
优选地,所述步骤S5进一步包括如下步骤:
S501,将待预测的鞋子图像和脚型图像输入生成网络,生成新的鞋子图像和脚型图像;
S502,将真实的组合图像和生成的组合图像分别输入鞋楦参数模型中,做前向计算得到两组鞋楦参数;
S503,将这两组鞋楦参数的平均值作为最终结果,预测得到鞋楦参数。
如图4所示,本发明还提供了一种基于鞋子图像和脚型图像的鞋楦参数自动预测装置,包括鞋子图像采集模块,用于采集鞋子图像;脚型图像采集模块,用于采集脚型图像;图像扩充模块,用于扩充鞋子图像和脚型图像;训练模块,用于训练生成式对抗网络和递归神经网络;存储模块,用于保存鞋子图像、鞋楦参数和生成式对抗网络模型、递归神经网络模型;自动预测模块,用于自动预测鞋楦参数。
优选地,所述自动预测模块分别预测真实组合图像和生成组合图像对应的鞋楦参数,然后求平均值,得到最终的鞋楦参数预测值。
针对当前鞋楦参数过于依赖技术工人,成为制约制鞋生产力提高和成本下降的关键因素的问题,设计出基于鞋子图像和脚型图像的鞋楦参数自动预测方法与预测装置,能够通过拍摄消费者的鞋子图像和脚型图像,快速、便捷、准确的获取相应鞋楦参数。
以上详细描述了本发明的优选的具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的设计构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的设计构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在本发明的范围之内和/或由权利要求书所确定的保护范围内。
Claims (3)
1.一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法,其特征在于,包括以下步骤:
(S1)采集鞋子图像和脚型图像;
(S2)训练生成式对抗网络;
(S3)扩充采集到的鞋子图像数据和脚型图像数据;
(S4)将鞋子图像和对应的脚型图像组合成六通道图像,使用递归神经网络训练基于鞋子图像和脚型图像的鞋楦参数模型;
(S5)利用鞋楦参数模型自动预测鞋楦参数;
所述步骤(S1)包括如下步骤:
(S101)根据鞋楦参数,采集鞋子图像和脚型图像,每个鞋楦参数采集对应的8个不同角度的鞋子图像和脚型图像;
(S102)将一个鞋楦参数对应的8个不同角度的鞋子图像和脚型图像随机分成四组,每组两个角度图像,一个角度图像包括鞋子图像和脚型图像;
所述步骤(S2)包括如下步骤:
(S201)对鞋子图像和脚型图像进行数据扩增,包括水平翻转、旋转变换和随机裁剪,组内图像的扩增操作相同;
(S202)训练生成式对抗网络,包括生成网络和判别网络,将组内图像进行转换生成;
(S203)训练过程中,组内图像交替作为输入和输出进行训练,交替训练生成模型和判别模型,并用反向传播算法更新两个网络的参数;所述步骤(S202)包括:
生成网络是一个先编码后解码的过程,输入图像为3通道分辨率为256*256,先将输入图像通过8层卷积层解析成1*1*512的向量,每层卷积层后跟一个ReLU激活层;随后将该解析后的向量通过8层反卷积层,上采样成为3通道分辨率为256*256的图像,每层卷积层后跟一个ReLU激活层;最后编码和解码对应的层之间,从编码层到解码层有对应的超通道直连;
判别网络是一个编码的过程,输入为组内的另一张图像和生成网络G生成的图像组成的6通道的图,包括5个卷积层,每个卷积层后跟一个ReLU激活层,最终得到一个8*8的置信度图,用来判别生成网络生成的图像是否为真实图像;
所述步骤(S3)为利用训练好的生成网络扩充采集到的鞋子图像数据和脚型图像数据,从而将训练样本扩充一倍;
所述步骤(S4)包括如下步骤:
(S401)将鞋子图像和脚型图像组合成一张六通道图像,使用卷积神经网络作为提取组合图像特征的网络;
(S402)初始化卷积神经网络和递归神经网络的权重,将组合图像输入卷积神经网络中,将该组合图像对应的鞋楦参数依次输入递归神经网络中,在神经网络中做前传计算,得到预测的鞋楦参数,并与真实的鞋楦参数计算误差,反向传播误差,同时更新卷积神经网络和递归神经网络参数;
所述步骤(S5)包括如下步骤:
(S501)将待预测的鞋子图像和脚型图像输入生成网络,生成新的鞋子图像和脚型图像;
(S502)将真实的组合图像和生成的组合图像分别输入鞋楦参数模型中,做前向计算得到两组鞋楦参数;
(S503)将这两组鞋楦参数的平均值作为最终结果,预测得到鞋楦参数。
2.一种使用权利要求1所述的基于鞋子图像和脚型图像的鞋楦参数自动预测方法的自动预测装置,其特征在于,包括:
鞋子图像采集模块,用于采集鞋子图像;
脚型图像采集模块,用于采集脚型图像;
图像扩充模块,用于扩充鞋子图像和脚型图像;
训练模块,用于训练生成式对抗网络和递归神经网络;
存储模块,用于保存鞋子图像、脚型图像、鞋楦参数和生成式对抗网络模型、递归神经网络模型;
自动预测模块,用于自动预测鞋楦参数。
3.根据权利要求2所述的自动预测装置,其特征在于:所述自动预测模块分别预测真实组合图像和生成组合图像对应的鞋楦参数,然后求平均值,得到最终的鞋楦参数预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351500.3A CN106993851B (zh) | 2017-05-18 | 2017-05-18 | 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351500.3A CN106993851B (zh) | 2017-05-18 | 2017-05-18 | 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106993851A CN106993851A (zh) | 2017-08-01 |
CN106993851B true CN106993851B (zh) | 2022-02-18 |
Family
ID=59434426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710351500.3A Active CN106993851B (zh) | 2017-05-18 | 2017-05-18 | 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106993851B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263525B2 (en) | 2017-10-26 | 2022-03-01 | Nvidia Corporation | Progressive modification of neural networks |
US11250329B2 (en) | 2017-10-26 | 2022-02-15 | Nvidia Corporation | Progressive modification of generative adversarial neural networks |
CN109978985B (zh) * | 2017-12-28 | 2023-11-07 | 同方威视科技江苏有限公司 | 数据处理方法及装置、存储介质、电子设备 |
CN108364087A (zh) * | 2018-01-11 | 2018-08-03 | 安徽优思天成智能科技有限公司 | 一种城市机动车尾气浓度的时空预测方法 |
CN110179204B (zh) * | 2018-02-22 | 2022-06-24 | 意礴数字科技(深圳)有限公司 | 推荐鞋楦的***及方法和预测鞋楦舒适度的***和方法 |
CN108710896B (zh) * | 2018-04-24 | 2021-10-29 | 浙江工业大学 | 基于产生式对抗学习网络的领域学习方法 |
CN109090769A (zh) * | 2018-06-13 | 2018-12-28 | 东莞时谛智能科技有限公司 | 一种重构鞋楦模型检测方法及*** |
CN109614480B (zh) * | 2018-11-26 | 2020-10-30 | 武汉大学 | 一种基于生成式对抗网络的自动摘要的生成方法及装置 |
CN112425865B (zh) * | 2019-08-08 | 2022-03-11 | 意礴数字科技(深圳)有限公司 | 生成鞋楦以及评估鞋楦舒适度的方法、装置及*** |
CN113205140B (zh) * | 2021-05-06 | 2022-11-15 | 中国人民解放军海军航空大学 | 基于生成式对抗网络的半监督式特定辐射源个体识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3156304U (ja) * | 2009-06-15 | 2009-12-24 | アマーシン ルシモンAmeersing Luximon | 靴型設計装置 |
CN101855637A (zh) * | 2007-09-18 | 2010-10-06 | 马加里有限责任公司 | 计算用于定制鞋的鞋楦的几何形状的方法 |
CN101887477A (zh) * | 2010-06-25 | 2010-11-17 | 温州大学 | 根据脚型多幅图像定制数字化鞋楦的方法 |
CN102063533A (zh) * | 2010-12-27 | 2011-05-18 | 温州市鹿艺鞋材有限公司 | 根据足底图像分析数据进行鞋楦设计的方法 |
CN104820735A (zh) * | 2015-04-17 | 2015-08-05 | 大族激光科技产业集团股份有限公司 | 基于足部三维重构制造鞋的方法及装置 |
CN105469441A (zh) * | 2015-11-23 | 2016-04-06 | 南京脚度健康科技有限公司 | 利用网络上传二维平面照片建立三维足部模型的制鞋方法 |
-
2017
- 2017-05-18 CN CN201710351500.3A patent/CN106993851B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101855637A (zh) * | 2007-09-18 | 2010-10-06 | 马加里有限责任公司 | 计算用于定制鞋的鞋楦的几何形状的方法 |
JP3156304U (ja) * | 2009-06-15 | 2009-12-24 | アマーシン ルシモンAmeersing Luximon | 靴型設計装置 |
CN101887477A (zh) * | 2010-06-25 | 2010-11-17 | 温州大学 | 根据脚型多幅图像定制数字化鞋楦的方法 |
CN102063533A (zh) * | 2010-12-27 | 2011-05-18 | 温州市鹿艺鞋材有限公司 | 根据足底图像分析数据进行鞋楦设计的方法 |
CN104820735A (zh) * | 2015-04-17 | 2015-08-05 | 大族激光科技产业集团股份有限公司 | 基于足部三维重构制造鞋的方法及装置 |
CN105469441A (zh) * | 2015-11-23 | 2016-04-06 | 南京脚度健康科技有限公司 | 利用网络上传二维平面照片建立三维足部模型的制鞋方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106993851A (zh) | 2017-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106993851B (zh) | 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 | |
CN108053028B (zh) | 数据定点化处理方法、装置、电子设备及计算机存储介质 | |
CN110411464B (zh) | 三维点云地图生成方法、装置、设备及存储介质 | |
CN107729322B (zh) | 分词方法及装置、建立句子向量生成模型方法及装置 | |
CN110009691B (zh) | 基于双目立体视觉匹配的视差图像生成方法及*** | |
CN104270714B (zh) | 确定用户行动轨迹的方法和装置 | |
CN114298310A (zh) | 长度损失确定方法以及装置 | |
US11727584B2 (en) | Shape supplementation device, shape supplementation learning device, method, and program | |
US20200074498A1 (en) | Systems and methods for improving social media advertising efficiency | |
CN109658346B (zh) | 图像修复方法、装置、计算机可读存储介质及电子设备 | |
CN112434188B (zh) | 一种异构数据库的数据集成方法、装置及存储介质 | |
CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及*** | |
CN111367872A (zh) | 用户行为分析方法、装置、电子设备及存储介质 | |
EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
CN112633077A (zh) | 一种基于层内多尺度特征增强的人脸检测方法、***、存储介质及终端 | |
CN105590223A (zh) | 商户的商圈信息的标定 | |
CN110059696B (zh) | 一种图像标注方法、装置和计算机可读存储介质 | |
CN112446461A (zh) | 一种神经网络模型训练方法及装置 | |
CN111221827A (zh) | 基于图形处理器的数据库表连接方法、装置、计算机设备和存储介质 | |
CN112561050A (zh) | 一种神经网络模型训练方法及装置 | |
CN113989267B (zh) | 基于轻量级神经网络的电池缺陷检测方法 | |
CN115861552A (zh) | 基于深度学习的地貌晕渲图生成方法及*** | |
CN112561817B (zh) | 基于am-gan的遥感图像去云方法、装置、设备及存储介质 | |
CN114220014A (zh) | 显著性目标检测模型的确定方法、装置、设备和介质 |
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 |