CN109815465B - 基于深度学习的海报生成方法、装置和计算机设备 - Google Patents
基于深度学习的海报生成方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109815465B CN109815465B CN201811556085.6A CN201811556085A CN109815465B CN 109815465 B CN109815465 B CN 109815465B CN 201811556085 A CN201811556085 A CN 201811556085A CN 109815465 B CN109815465 B CN 109815465B
- Authority
- CN
- China
- Prior art keywords
- poster
- model
- evaluation model
- evaluation
- dimensional code
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 248
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 95
- 230000008447 perception Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 description 32
- 238000011478 gradient descent method Methods 0.000 description 8
- 238000001303 quality assessment method Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本申请揭示了一种基于深度学习的海报生成方法、装置、计算机设备和存储介质,所述方法包括:获取用户提供的用于生成海报的非结构化数据;将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;输出所述多个初步海报的评估得分;在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。从而提高了二维码的扫描率。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于深度学习的海报生成方法、装置、计算机设备和存储介质。
背景技术
网络推广中,一般向客户发送推广门店或产品或推荐注册的链接,这种推广方式不能直观给出推广的内容,因此客户接收到推广链接时,必须点进所述链接才能了解相应的推广内容。由于客户需要耗费更多的步骤、等待页面跳转的时间,因此很可能放弃该推广的链接,导致所述推广链接的点击率下降。因此,现有技术中,缺少将链接的内容直接展示,以提高点击率的技术方案。
发明内容
本申请的主要目的为提供一种基于深度学习的海报生成方法、装置、计算机设备和存储介质,旨在提高推广产品的被阅读量、提高点击率。
为了实现上述发明目的,本申请提出一种基于深度学习的海报生成方法,包括以下步骤:
获取用户提供的用于生成海报的非结构化数据;
将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;
将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;
输出所述多个初步海报的评估得分;
在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。
进一步地,所述海报评估模型的获取方法,包括:
采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第一样本数据,训练出第一评价模型;
以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据;
将所述第二样本数据输入所述第一评价模型中进行训练,获取所述海报评估模型。
进一步地,所述海报评估模型的获取方法,包括:
调用采用VGGNET模型的已经训练完成的图像评价模型的各层权重参数;
将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第二评价模型;
以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据;
将所述第三样本数据输入所述第二评价模型中进行训练,获取所述海报评估模型。
进一步地,所述在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报的步骤,包括:
生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;
将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;
输出所述m×n×o个加入二维码的初步海报的评估得分,并将评估得分最高的所述加入二维码的初步海报作为所述最终海报。
进一步地,所述二维码评估模型的获取方法,包括:
采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第四样本数据,训练出第三评价模型;
以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第五样本数据;
将所述第五样本数据输入所述第三评价模型中进行训练,获取所述二维码评估模型。
进一步地,所述二维码评估模型的获取方法,包括:
调用对应VGGNET模型的已经训练完成的评价模型的各层权重参数;
将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第四评价模型;
以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第六样本数据;
将所述第六样本数据输入所述第四评价模型中进行训练,获取所述二维码评估模型。
进一步地,所述将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算的步骤,包括:
根据所述用户预先输入的海报类别,调用与所述海报类别对应的海报评估模型;
将所述多个初步海报输入到预设的与所述海报类别对应的海报评估模型中进行运算。
本申请提供一种基于深度学习的海报生成装置,包括:
非结构化数据获取单元,用于获取用户提供的用于生成海报的非结构化数据;
初步海报生成单元,用于将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;
初步海报评估单元,用于将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;
评估得分输出单元,用于输出所述多个初步海报的评估得分;
二维码加入单元,用于在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于深度学习的海报生成方法、装置、计算机设备和存储介质,利用深度学习的卷积神经网络模型训练完成的海报评估模型,筛选出得分最高的海报,并在其中加入二维码,以实现提高二维码扫描次数的技术效果。
附图说明
图1为本申请一实施例的基于深度学习的海报生成方法的流程示意图;
图2为本申请一实施例的基于深度学习的海报生成装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于深度学习的海报生成方法,包括以下步骤:
S1、获取用户提供的用于生成海报的非结构化数据;
S2、将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;
S3、将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;
S4、输出所述多个初步海报的评估得分;
S5、在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。
如上述步骤S1所述,获取用户提供的用于生成海报的非结构化数据。其中所述非结构化数据与用户想要分享的链接内容有关,例如用户想要分享产品,所述非结构化数据可以为所述产品的图片;用户想要分享门店,所述非结构化数据可以为所述门店的图片。其中海报能够通过结构化数据(即海报模板)与非结构化数据结合而生成。
如上述步骤S2所述,将所述非结构化数据套入预设的多个海报模板,生成多个初步海报。所述海报模板是结构化数据。设计师针对不同类型的海报设计不同风格的模板,比如车险设计几套模板,非车险设计几套模板。据此获得多个初步海报。
如上述步骤S3所述,将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成。其中卷积神经网络模型是深度学习的一种模型,包括GoogleNet、Xception、Resnet、VGGNET等,本申请优选VGGNET模型,例如VGG19模型、VGG16模型、VGG-F模型。其中人工评分例如为人工对海报的整体感观程度的评分,例如海报模板与所述非结构数据颜色冲突严重,人工评分自然就低。具体地训练模型过程包括:以已有海报,以及与所述已有海报关联的人工评分组成的样本数据作为训练集,将所述样本数据输入VGGNET模型中进行运算,获取所述海报评估模型。
如上述步骤S4所述,输出所述多个初步海报的评估得分。由所述评估得分即可得知多个初步海报的整体感观程度。据此可得知哪个海报模板适合所述非结构化数据。
如上述步骤S5所述,在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。据此,以最整体感观的初步海报吸引眼球,从而提高被分享者通过二维码链接进行访问用户分享内容的可能性。
在一个实施方式中,所述海报评估模型的获取方法,包括:
S301、采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第一样本数据,训练出第一评价模型;
S302、以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据;
S303、将所述第二样本数据输入所述第一评价模型中进行训练,获取所述海报评估模型。
如上述步骤所述,实现了获取所述海报评估模型。本实施方式采用卷积神经网络中的VGGNET模型以训练出第一评价模型。其中VGGNET模型可为VGGNET模型,例如VGG19模型、VGG16模型、VGG-F模型。开源的图像质量评价数据库TID2013主要是评价图像质量评价模型与平均的人类感知(MOS)的匹配。从而训练出第一评价模型。并将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据,输入所述第一评价模型中进行训练,获取所述海报评估模型。其中训练均采用随机梯度下降法,并且利用反向传导法优化模型各层的参数,得到所述海报评估模型。进一步地,还可以将样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为海报评估模型。
在一个实施方式中,所述海报评估模型的获取方法,包括:
S304、调用采用VGGNET模型的已经训练完成的图像评价模型的各层权重参数;
S305、将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第二评价模型;
S306、以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据;
S307、将所述第三样本数据输入所述第二评价模型中进行训练,获取所述海报评估模型。
如上述步骤所述,即采用迁移学习,将基于相同VGGNET模型的,且已经训练好的评价模型的各层权重参数进行调用,以作为本申请的还未训练的VGGNET模型的初始权重参数。若具有已经训练好的评价模型,即可以免去训练的步骤,从而直接得到第二评价模型。再将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据,输入所述第二评价模型中进行训练,获取所述海报评估模型。其中训练采用随机梯度下降法,并且利用反向传导法优化模型各层的参数,得到所述海报评估模型。进一步地,还可以将第三样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为海报评估模型。
在一个实施方式中,所述在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报的步骤S5,包括:
S501、生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;
S502、将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;
S503、将二维码评估得分最高的初步海报作为所述最终海报。
如上述步骤所述,实现了获得最终海报。本实施方式中,可以确定在一个已确定的海报中,加入什么样的二维码最合适。本申请采用基于卷积神经网络模型训练完成的二维码评估模型中进行运算,以评估出相应得分,反应出二维码是否合适。本实施方式以二维码的颜色、形状与位置来生成具有二维码的不同初步海报。例如m=7、n=2、o=3,则生成7×2×3=42张海报,并将这42张海报输入二维码评估模型以获得相应评估得分,将得分最高的海报作为所述最终海报。其中卷积神经网络中可采用VGGNET模型。具体地训练模型过程包括:以已有海报,以及与所述已有海报关联的人工评分组成的样本数据作为训练集,将所述样本数据输入VGGNET模型中进行运算,获取所述海报评估模型。
在一个实施方式中,所述二维码评估模型的获取方法,包括:
S5021、采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第四样本数据,训练出第三评价模型;
S5022、以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第五样本数据;
S5023、将所述第五样本数据输入所述第三评价模型中进行训练,获取所述二维码评估模型。
如上述步骤所述,实现了获取所述二维码评估模型模型。本实施方式采用卷积神经网络中的VGGNET模型以训练出第二评价模型。其中VGGNET模型可为VGGNET模型,例如VGG19模型、VGG16模型、VGG-F模型。开源的图像质量评价数据库TID2013主要是评价图像质量评价模型与平均的人类感知(MOS)的匹配。从而训练出第三评价模型。并将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第五样本数据,输入所述第三评价模型中进行训练,获取所述二维码评估模型。其中训练均采用随机梯度下降法,并且利用反向传导法优化模型各层的参数,得到所述二维码评估模型。进一步地,还可以将样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为二维码评估模型。
在一个实施方式中,所述二维码评估模型的获取方法,包括:
S5024、调用对应VGGNET模型的已经训练完成的评价模型的各层权重参数;
S5025、将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第四评价模型;
S5026、以已有加入二维码的海报及与所述已有加入二维码的海报关联的
人工评分组成的样本数据,作为第六样本数据;
S5027、将所述第六样本数据输入所述第四评价模型中进行训练,获取所述二维码评估模型。
如上述步骤所述,即采用迁移学习,将基于相同VGGNET模型的,且已经训练好的评价模型的各层权重参数进行调用,以作为本申请的还未训练的VGGNET模型的初始权重参数。若具有已经训练好的评价模型,即免去训练模型的过程,直接得到第四评价模型。再将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第六样本数据,输入所述第四评价模型中进行训练,获取所述二维码评估模型。其中训练采用随机梯度下降法,并且利用反向传导法优化所述VGG模型各层的参数,得到所述二维码评估模型。进一步地,还可以将第四样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为二维码评估模型。
在一个实施方式中,所述将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算的步骤S3,包括:
S31、根据所述用户预先输入的海报类别,调用与所述海报类别对应的海报评估模型;
S32、将所述多个初步海报输入到预设的与所述海报类别对应的海报评估模型中进行运算。
如上述步骤所述,实现了将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算。根据海报类别,调用与所述海报类别对应的海报评估模型,可以使评估得分更正确。其中用户可以在提供所述非结构化数据的同时提供海报类别。例如用户输入的海报类别为车险,据此调用车险的海报评估模型,从而避免了非车险的海报数据对海报评估得分的影响(车险海报与非车险海报的注重点不同,因此评估合适的标准也不同,因此只以车险海报数据生成的海报评估模型能提高评估得分正确率)。
本申请的基于深度学习的海报生成方法,利用深度学习的卷积神经网络模型训练完成的海报评估模型,筛选出得分最高的海报,并在其中加入二维码,以实现提高二维码扫描次数的技术效果。
参照图2,本申请实施例提供一种基于深度学习的海报生成装置,包括:
非结构化数据获取单元10,用于获取用户提供的用于生成海报的非结构化数据;
初步海报生成单元20,用于将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;
初步海报评估单元30,用于将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;
评估得分输出单元40,用于输出所述多个初步海报的评估得分;
二维码加入单元50,用于在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。
如上述单元10所述,获取用户提供的用于生成海报的非结构化数据。其中所述非结构化数据与用户想要分享的链接内容有关,例如用户想要分享产品,所述非结构化数据可以为所述产品的图片;用户想要分享门店,所述非结构化数据可以为所述门店的图片。其中海报能够通过结构化数据(即海报模板)与非结构化数据结合而生成。
如上述单元20所述,将所述非结构化数据套入预设的多个海报模板,生成多个初步海报。所述海报模板是结构化数据。设计师针对不同类型的海报设计不同风格的模板,比如车险设计几套模板,非车险设计几套模板。据此获得多个初步海报。
如上述单元30所述,将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成。其中卷积神经网络模型是深度学习的一种模型,包括GoogleNet、Xception、Resnet、VGGNET等,本申请优选VGGNET模型,例如VGG19模型、VGG16模型、VGG-F模型。其中人工评分例如为人工对海报的整体感观程度的评分,例如海报模板与所述非结构数据颜色冲突严重,人工评分自然就低。具体地训练模型过程包括:以已有海报,以及与所述已有海报关联的人工评分组成的样本数据作为训练集,将所述样本数据输入VGGNET模型中进行运算,获取所述海报评估模型。
如上述单元40所述,输出所述多个初步海报的评估得分。由所述评估得分即可得知多个初步海报的整体感观程度。据此可得知哪个海报模板适合所述非结构化数据。
如上述单元50所述,在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。据此,以最整体感观的初步海报吸引眼球,从而提高被分享者通过二维码链接进行访问用户分享内容的可能性。
在一个实施方式中,所述装置包括海报评估模型获取单元,所述海报评估模型获取单元,包括:
第一评价模型训练子单元,用于采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第一样本数据,训练出第一评价模型;
第二样本数据获得子单元,用于以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据;
海报评估模型获得子单元,用于将所述第二样本数据输入所述第一评价模型中进行训练,获取所述海报评估模型。
如上所述,实现了获取所述海报评估模型。本实施方式采用卷积神经网络中的VGGNET模型以训练出第一评价模型。其中VGGNET模型可为VGGNET模型,例如VGG19模型、VGG16模型、VGG-F模型。开源的图像质量评价数据库TID2013主要是评价图像质量评价模型与平均的人类感知(MOS)的匹配。从而训练出第一评价模型。并将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据,输入所述第一评价模型中进行训练,获取所述海报评估模型。其中训练均采用随机梯度下降法,并且利用反向传导法优化模型各层的参数,得到所述海报评估模型。进一步地,还可以将样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为海报评估模型。
在一个实施方式中,所述装置包括海报评估模型获取单元,所述海报评估模型获取单元,包括:
权重参数调用子单元,用于调用采用VGGNET模型的已经训练完成的图像评价模型的各层权重参数;
第二评价模型获得子单元,用于将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第二评价模型;
第三样本数据获得子单元,用于以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据;
海报评估模型获得子单元,用于将所述第三样本数据输入所述第二评价模型中进行训练,获取所述海报评估模型。
如上所述,即采用迁移学习,将基于相同VGGNET模型的,且已经训练好的评价模型的各层权重参数进行调用,以作为本申请的还未训练的VGGNET模型的初始权重参数。若具有已经训练好的评价模型,即可以免去训练的步骤,从而直接得到第二评价模型。再将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据,输入所述第二评价模型中进行训练,获取所述海报评估模型。其中训练采用随机梯度下降法,并且利用反向传导法优化模型各层的参数,得到所述海报评估模型。进一步地,还可以将第三样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为海报评估模型。
在一个实施方式中,所述二维码加入单元50,包括:
二维码海报生成子单元,用于生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;
二维码评估模型运算子单元,用于将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;
最终海报获得子单元,用于将二维码评估得分最高的初步海报作为所述最终海报。
如上所述,实现了获得最终海报。本实施方式中,可以确定在一个已确定的海报中,加入什么样的二维码最合适。本申请采用基于卷积神经网络模型训练完成的二维码评估模型中进行运算,以评估出相应得分,反应出二维码是否合适。本实施方式以二维码的颜色、形状与位置来生成具有二维码的不同初步海报。例如m=7、n=2、o=3,则生成7×2×3=42张海报,并将这42张海报输入二维码评估模型以获得相应评估得分,将得分最高的海报作为所述最终海报。其中卷积神经网络中可采用VGGNET模型。具体地训练模型过程包括:以已有海报,以及与所述已有海报关联的人工评分组成的样本数据作为训练集,将所述样本数据输入VGGNET模型中进行运算,获取所述海报评估模型。
在一个实施方式中,所述装置包括二维码评估模型获取单元,所述二维码评估模型获取单元,包括:
第三评价模型训练子单元,用于采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第四样本数据,训练出第三评价模型;
第五样本数据获取子单元,用于以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第五样本数据;
二维码评估模型获取子单元,用于将所述第五样本数据输入所述第三评价模型中进行训练,获取所述二维码评估模型。
如上所述,实现了获取所述二维码评估模型模型。本实施方式采用卷积神经网络中的VGGNET模型以训练出第二评价模型。其中VGGNET模型可为VGGNET模型,例如VGG19模型、VGG16模型、VGG-F模型。开源的图像质量评价数据库TID2013主要是评价图像质量评价模型与平均的人类感知(MOS)的匹配。从而训练出第三评价模型。并将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第五样本数据,输入所述第三评价模型中进行训练,获取所述二维码评估模型。其中训练均采用随机梯度下降法,并且利用反向传导法优化模型各层的参数,得到所述二维码评估模型。进一步地,还可以将样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为二维码评估模型。
在一个实施方式中,所述装置包括二维码评估模型获取单元,所述二维码评估模型获取单元,包括:
各层权重参数调用子单元,用于调用对应VGGNET模型的已经训练完成的评价模型的各层权重参数;
权重参数初始化子单元,用于将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第四评价模型;
第六样本数据获取子单元,用于以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第六样本数据;
二维码评估模型获取子单元,用于将所述第六样本数据输入所述第四评价模型中进行训练,获取所述二维码评估模型。
如上所述,即采用迁移学习,将基于相同VGGNET模型的,且已经训练好的评价模型的各层权重参数进行调用,以作为本申请的还未训练的VGGNET模型的初始权重参数。若具有已经训练好的评价模型,即免去训练模型的过程,直接得到第四评价模型。再将所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第六样本数据,输入所述第四评价模型中进行训练,获取所述二维码评估模型。其中训练采用随机梯度下降法,并且利用反向传导法优化所述VGG模型各层的参数,得到所述二维码评估模型。进一步地,还可以将第四样本数据设置为训练集与测试集,利用训练集的样本数据进行训练,利用测试集的样本数据进行测试,将通过测试的模型作为二维码评估模型。
在一个实施方式中,所述初步海报评估单元30,包括:
海报评估模型调用子单元,用于根据所述用户预先输入的海报类别,调用与所述海报类别对应的海报评估模型;
运算子单元,用于将所述多个初步海报输入到预设的与所述海报类别对应的海报评估模型中进行运算。
如上所述,实现了将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算。根据海报类别,调用与所述海报类别对应的海报评估模型,可以使评估得分更正确。其中用户可以在提供所述非结构化数据的同时提供海报类别。例如用户输入的海报类别为车险,据此调用车险的海报评估模型,从而避免了非车险的海报数据对海报评估得分的影响(车险海报与非车险海报的注重点不同,因此评估合适的标准也不同,因此只以车险海报数据生成的海报评估模型能提高评估得分正确率)。
本申请的基于深度学习的海报生成装置,利用深度学习的卷积神经网络模型训练完成的海报评估模型,筛选出得分最高的海报,并在其中加入二维码,以实现提高二维码扫描次数的技术效果。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于深度学习的海报生成方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的海报生成方法。
上述处理器执行上述基于深度学习的海报生成方法,包括以下步骤:获取用户提供的用于生成海报的非结构化数据;将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;输出所述多个初步海报的评估得分;在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。
在一个实施方式中,所述海报评估模型的获取方法,包括:采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第一样本数据,训练出第一评价模型;以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据;将所述第二样本数据输入所述第一评价模型中进行训练,获取所述海报评估模型。
在一个实施方式中,所述海报评估模型的获取方法,包括:调用采用VGGNET模型的已经训练完成的图像评价模型的各层权重参数;将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第二评价模型;以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据;将所述第三样本数据输入所述第二评价模型中进行训练,获取所述海报评估模型。
在一个实施方式中,所述在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报的步骤,包括:生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;输出所述m×n×o个加入二维码的初步海报的评估得分,并将评估得分最高的所述加入二维码的初步海报作为所述最终海报。
在一个实施方式中,所述二维码评估模型的获取方法,包括:采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第四样本数据,训练出第三评价模型;以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第五样本数据;将所述第五样本数据输入所述第三评价模型中进行训练,获取所述二维码评估模型。
在一个实施方式中,所述二维码评估模型的获取方法,包括:调用对应VGGNET模型的已经训练完成的评价模型的各层权重参数;将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第四评价模型;
以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第六样本数据;将所述第六样本数据输入所述第四评价模型中进行训练,获取所述二维码评估模型。
在一个实施方式中,所述将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算的步骤,包括:根据所述用户预先输入的海报类别,调用与所述海报类别对应的海报评估模型;将所述多个初步海报输入到预设的与所述海报类别对应的海报评估模型中进行运算。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,利用深度学习的卷积神经网络模型训练完成的海报评估模型,筛选出得分最高的海报,并在其中加入二维码,以实现提高二维码扫描次数的技术效果。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于深度学习的海报生成方法,包括以下步骤:获取用户提供的用于生成海报的非结构化数据;将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;输出所述多个初步海报的评估得分;在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报。
在一个实施方式中,所述海报评估模型的获取方法,包括:采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第一样本数据,训练出第一评价模型;以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据;将所述第二样本数据输入所述第一评价模型中进行训练,获取所述海报评估模型。
在一个实施方式中,所述海报评估模型的获取方法,包括:调用采用VGGNET模型的已经训练完成的图像评价模型的各层权重参数;将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第二评价模型;以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据;将所述第三样本数据输入所述第二评价模型中进行训练,获取所述海报评估模型。
在一个实施方式中,所述在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报的步骤,包括:生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;输出所述m×n×o个加入二维码的初步海报的评估得分,并将评估得分最高的所述加入二维码的初步海报作为所述最终海报。
在一个实施方式中,所述二维码评估模型的获取方法,包括:采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第四样本数据,训练出第三评价模型;以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第五样本数据;将所述第五样本数据输入所述第三评价模型中进行训练,获取所述二维码评估模型。
在一个实施方式中,所述二维码评估模型的获取方法,包括:调用对应VGGNET模型的已经训练完成的评价模型的各层权重参数;将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第四评价模型;
以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第六样本数据;将所述第六样本数据输入所述第四评价模型中进行训练,获取所述二维码评估模型。
在一个实施方式中,所述将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算的步骤,包括:根据所述用户预先输入的海报类别,调用与所述海报类别对应的海报评估模型;将所述多个初步海报输入到预设的与所述海报类别对应的海报评估模型中进行运算。
本申请的计算机可读存储介质,利用深度学习的卷积神经网络模型训练完成的海报评估模型,筛选出得分最高的海报,并在其中加入二维码,以实现提高二维码扫描次数的技术效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种基于深度学习的海报生成方法,其特征在于,包括:
获取用户提供的用于生成海报的非结构化数据;
将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;
将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;
输出所述多个初步海报的评估得分;
在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报;
所述在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报的步骤,包括:
生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;
将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;
输出所述m×n×o个加入二维码的初步海报的评估得分,并将评估得分最高的所述加入二维码的初步海报作为所述最终海报。
2.根据权利要求1所述的基于深度学习的海报生成方法,其特征在于,所述海报评估模型的获取方法,包括:
采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第一样本数据,训练出第一评价模型;
以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第二样本数据;
将所述第二样本数据输入所述第一评价模型中进行训练,获取所述海报评估模型。
3.根据权利要求1所述的基于深度学习的海报生成方法,其特征在于,所述海报评估模型的获取方法,包括:
调用采用VGGNET模型的已经训练完成的图像评价模型的各层权重参数;
将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第二评价模型;
以所述已有海报及与所述已有海报关联的人工评分组成的样本数据,作为第三样本数据;
将所述第三样本数据输入所述第二评价模型中进行训练,获取所述海报评估模型。
4.根据权利要求1所述的基于深度学习的海报生成方法,其特征在于,所述二维码评估模型的获取方法,包括:
采用VGGNET模型,以开源的图像质量评价数据库TID2013中的图像及与所述图像相关联的平均人类感知得分,作为第四样本数据,训练出第三评价模型;
以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第五样本数据;
将所述第五样本数据输入所述第三评价模型中进行训练,获取所述二维码评估模型。
5.根据权利要求1所述的基于深度学习的海报生成方法,其特征在于,所述二维码评估模型的获取方法,包括:
调用对应VGGNET模型的已经训练完成的评价模型的各层权重参数;
将各层的所述权重参数初始化为所述VGGNET模型的各层权重参数,以获得第四评价模型;
以已有加入二维码的海报及与所述已有加入二维码的海报关联的人工评分组成的样本数据,作为第六样本数据;
将所述第六样本数据输入所述第四评价模型中进行训练,获取所述二维码评估模型。
6.根据权利要求1所述的基于深度学习的海报生成方法,其特征在于,所述将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算的步骤,包括:
根据所述用户预先输入的海报类别,调用与所述海报类别对应的海报评估模型;
将所述多个初步海报输入到预设的与所述海报类别对应的海报评估模型中进行运算。
7.一种基于深度学习的海报生成装置,其特征在于,包括:
非结构化数据获取单元,用于获取用户提供的用于生成海报的非结构化数据;
初步海报生成单元,用于将所述非结构化数据套入预设的多个海报模板,生成多个初步海报;
初步海报评估单元,用于将所述多个初步海报输入到预设的基于卷积神经网络模型训练完成的海报评估模型中进行运算;其中,所述海报评估模型基于已有海报,以及与所述已有海报关联的人工评分组成的样本数据训练而成;
评估得分输出单元,用于输出所述多个初步海报的评估得分;
二维码加入单元,用于在所述评估得分最高的所述初步海报中加入链接至所述用户分享内容的二维码,获得最终海报;
所述二维码加入单元,包括:
二维码海报生成子单元,用于生成m×n×o个加入二维码的评估得分最高的所述初步海报,其中m为二维码颜色种类数量、n为二维码形状数量、o为二维码处在海报中的位置数量;
二维码评估模型运算子单元,用于将所述m×n×o个初步海报输入到预设的基于卷积神经网络模型训练完成的二维码评估模型中进行运算;其中,所述二维码评估模型基于已有加入二维码的海报,以及与所述已有加入二维码的海报关联的人工评分组成的样本数据训练而成;
最终海报获得子单元,用于将二维码评估得分最高的初步海报作为所述最终海报。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556085.6A CN109815465B (zh) | 2018-12-19 | 2018-12-19 | 基于深度学习的海报生成方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556085.6A CN109815465B (zh) | 2018-12-19 | 2018-12-19 | 基于深度学习的海报生成方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815465A CN109815465A (zh) | 2019-05-28 |
CN109815465B true CN109815465B (zh) | 2023-11-17 |
Family
ID=66602232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556085.6A Active CN109815465B (zh) | 2018-12-19 | 2018-12-19 | 基于深度学习的海报生成方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815465B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737963B (zh) * | 2019-12-20 | 2020-03-31 | 广东博智林机器人有限公司 | 海报元素布局方法、***和计算机可读存储介质 |
CN111161381A (zh) * | 2019-12-31 | 2020-05-15 | 广东博智林机器人有限公司 | 海报模板的生成方法、装置、电子设备及存储介质 |
CN112465088A (zh) * | 2020-12-07 | 2021-03-09 | 合肥维天运通信息科技股份有限公司 | 一种二维码位置生成方法 |
CN113010711B (zh) * | 2021-04-01 | 2022-04-29 | 杭州初灵数据科技有限公司 | 一种基于深度学习的影视海报自动生成方法与*** |
CN113536006B (zh) * | 2021-06-25 | 2023-06-13 | 北京百度网讯科技有限公司 | 生成图片的方法、装置、设备、存储介质和计算机产品 |
CN113869960B (zh) * | 2021-10-15 | 2022-06-21 | 创优数字科技(广东)有限公司 | 海报生成方法、装置、存储介质及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359360A (zh) * | 2008-07-31 | 2009-02-04 | 刘旭 | 一种图文融合的电子票编解码方法 |
WO2015001637A1 (ja) * | 2013-07-03 | 2015-01-08 | A・Tコミュニケーションズ株式会社 | 認証サーバ、認証システム、認証方法、及びプログラム |
CN107330715A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 选择图片广告素材的方法和装置 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
CN108269250A (zh) * | 2017-12-27 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于卷积神经网络评估人脸图像质量的方法和装置 |
CN108520193A (zh) * | 2018-03-27 | 2018-09-11 | 康体佳智能科技(深圳)有限公司 | 基于神经网络的二维码识别***及识别方法 |
CN108985414A (zh) * | 2018-08-28 | 2018-12-11 | 深圳春沐源控股有限公司 | 一种商品信息的分享方法及相关装置 |
-
2018
- 2018-12-19 CN CN201811556085.6A patent/CN109815465B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359360A (zh) * | 2008-07-31 | 2009-02-04 | 刘旭 | 一种图文融合的电子票编解码方法 |
WO2015001637A1 (ja) * | 2013-07-03 | 2015-01-08 | A・Tコミュニケーションズ株式会社 | 認証サーバ、認証システム、認証方法、及びプログラム |
CN107330715A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 选择图片广告素材的方法和装置 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
CN108269250A (zh) * | 2017-12-27 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于卷积神经网络评估人脸图像质量的方法和装置 |
CN108520193A (zh) * | 2018-03-27 | 2018-09-11 | 康体佳智能科技(深圳)有限公司 | 基于神经网络的二维码识别***及识别方法 |
CN108985414A (zh) * | 2018-08-28 | 2018-12-11 | 深圳春沐源控股有限公司 | 一种商品信息的分享方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109815465A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815465B (zh) | 基于深度学习的海报生成方法、装置和计算机设备 | |
US9734255B2 (en) | Ubiquitous personalized learning evaluation network using 2D barcodes | |
CN108351871B (zh) | 通用翻译 | |
Zhang | Knowledge adoption in online communities of practice | |
US20180268307A1 (en) | Analysis device, analysis method, and computer readable storage medium | |
CN111079056A (zh) | 提取用户画像的方法、装置、计算机设备和存储介质 | |
CN111488931A (zh) | 文章质量评估方法、文章推荐方法及其对应的装置 | |
US10496751B2 (en) | Avoiding sentiment model overfitting in a machine language model | |
CN110378986B (zh) | 一种习题演示动画生成方法、装置、电子设备和存储介质 | |
Gelin et al. | Animacy effects in episodic memory: do imagery processes really play a role? | |
CN110018823B (zh) | 交互式应用程序的处理方法及***、生成方法及*** | |
JP7329293B1 (ja) | 情報処理装置、方法、プログラム、およびシステム | |
CN111475628B (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
CN111489419A (zh) | 一种海报生成的方法和*** | |
CN107609487B (zh) | 一种用户头像的生成方法和装置 | |
CN109388759B (zh) | 一种网页界面构建方法和***、数据处理方法 | |
Gao et al. | Online features of qzone weblog for critical peer feedback to facilitate business english writing | |
JP2009116519A (ja) | 自分史制作装置 | |
CN110363117A (zh) | 一种对加密后的随机编码字符文件进行解析的方法及装置 | |
Ngwadla | An operational framework for equity in the 2015 Agreement | |
KR102111658B1 (ko) | 사업 보조 서비스를 제공하기 위한 소셜 마케팅 방법 | |
Gloria | From methodological individualism to complexity: the case of Ludwig Lachmann | |
Silvia et al. | Aesthetic preference for glossy materials: An attempted replication and extension | |
CN111352680A (zh) | 信息推荐方法及装置 | |
US20160364458A1 (en) | Methods and Systems for Using Field Characteristics to Index, Search For, and Retrieve Forms |
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 |