CN116071224A - 图像转换模型训练方法、图像转换方法和装置 - Google Patents
图像转换模型训练方法、图像转换方法和装置 Download PDFInfo
- Publication number
- CN116071224A CN116071224A CN202211613822.8A CN202211613822A CN116071224A CN 116071224 A CN116071224 A CN 116071224A CN 202211613822 A CN202211613822 A CN 202211613822A CN 116071224 A CN116071224 A CN 116071224A
- Authority
- CN
- China
- Prior art keywords
- image conversion
- image
- conversion model
- model
- loss function
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 297
- 238000012549 training Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 81
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 119
- 239000013598 vector Substances 0.000 claims description 124
- 230000004044 response Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 120
- 238000010586 diagram Methods 0.000 description 9
- 230000000644 propagated effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008014 freezing Effects 0.000 description 6
- 238000007710 freezing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像转换模型训练方法、图像转换方法和装置。该方法的一具体实施方式包括:获取样本图像集和初始图像转换模型,其中,初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;基于样本图像集和至少一个预设的损失函数,对初始图像转换模型进行训练,得到训练后的图像转换模型,其中,至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。该实施方式与人工智能有关,提高了图像转换模型进行图像转换的准确率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像转换模型训练方法、图像转换方法和装置。
背景技术
图像转换模型可对目标图像进行风格转换,有助于在图像中寻找有用的宏观信息。目前,图像转换模型的训练,通常采用的方式为:使用大量样本图像,对循环图像生成网络(Cycle-Consistent Generative Adversarial Network)模型作为主框架的图像转换模型进行训练。
然而,发明人发现,当采用上述方式对图像转换模型进行训练时,经常会存在如下技术问题:
只单独使用循环图像生成网络模型作为主框架时,图像转换模型无法判别生成的图像是否为真实图像,难以及时对图像转换模型的参数进行调整,导致图像转换模型进行图像转换的准确率降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像转换模型训练方法、图像转换方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种图像转换模型训练方法,该方法包括:获取样本图像集和初始图像转换模型,其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,上述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
可选地,上述基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,包括:从上述样本图像集中选取样本图像,对上述初始图像转换模型执行以下训练步骤:将样本图像输入至第一图像生成模型,得到第一特征信息,其中,第一特征信息包括第一特征图像;将第一特征图像输入至第一图像判别模型,得到第一判别结果;响应于确定第一判别结果满足预设条件,将第一特征图像输入至第二图像转换模型,得到第二特征信息,其中,第二特征信息包括第二特征图像;将第二特征图像输入至第二图像判别模型,得到第二判别结果;响应于确定第二判别结果满足预设条件,基于至少一个预设的损失函数,确定循环总损失值;响应于确定循环总损失值小于目标值,将初始图像转换模型确定为图像转换模型。
可选地,上述方法还包括:响应于确定上述第一判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述方法还包括:响应于确定上述第二判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述方法还包括:响应于确定上述循环总损失值大于等于目标值,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述第一特征信息还包括:第一区块向量序列,上述第二特征信息还包括:第二区块向量序列;以及上述基于上述至少一个预设的损失函数,确定循环总损失值,包括:基于上述循环对抗损失函数和上述第一特征信息,确定循环对抗损失值;基于上述循环一致损失函数、上述第一特征图像和上述第二特征图像,确定循环一致损失值;基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值;对上述第一循环对抗损失值、上述循环一致损失值与上述循环位置损失值进行加权求和处理,得到上述循环总损失值。
可选地,上述基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值,包括:对上述第一区块向量序列中的每个第一区块向量,执行以下步骤:将上述第一区块向量确定为目标区块向量;将上述第二区块向量序列中与上述目标区块向量对应的第二区块向量确定为正样本区块向量;将去除了上述正样本区块向量的第二区块向量序列确定为负样本区块向量序列;基于上述目标区块向量、上述正样本区块向量和负样本区块向量序列和上述循环位置损失函数,确定循环位置损失值。
第二方面,本公开的一些实施例提供了一种图像转换方法,方法包括:获取初始图像;将上述初始图像输入至预先训练的图像转换模型中,得到转换图像,其中,上述图像转换模型是通过如上述第一方面中任一实现方式描述的方法生成的。
第三方面,本公开的一些实施例提供了一种图像转换模型训练装置,装置包括:获取单元,被配置成获取样本图像集和初始图像转换模型,其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;训练单元,被配置成基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,上述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
可选地,上述训练单元被进一步配置成:从上述样本图像集中选取样本图像,对上述初始图像转换模型执行以下训练步骤:将样本图像输入至第一图像生成模型,得到第一特征信息,其中,第一特征信息包括第一特征图像;将第一特征图像输入至第一图像判别模型,得到第一判别结果;响应于确定第一判别结果满足预设条件,将第一特征图像输入至第二图像转换模型,得到第二特征信息,其中,第二特征信息包括第二特征图像;将第二特征图像输入至第二图像判别模型,得到第二判别结果;响应于确定第二判别结果满足预设条件,基于至少一个预设的损失函数,确定循环总损失值;响应于确定循环总损失值小于目标值,将初始图像转换模型确定为图像转换模型。
可选地,上述图像转换模型训练装置还包括:第一调整单元,被配置成:响应于确定上述第一判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;第一确定单元,被配置成从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述图像转换模型训练装置还包括:第二调整单元,被配置成:响应于确定上述第二判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;第二确定单元,被配置成从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述图像转换模型训练装置还包括:第三调整单元,被配置成:响应于确定上述循环总损失值大于等于目标值,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;第三确定单元,被配置成从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述第一特征信息还包括:第一区块向量序列,上述第二特征信息还包括:第二区块向量序列;以及,上述训练单元被进一步配置成:基于上述循环对抗损失函数和上述第一特征信息,确定循环对抗损失值;基于上述循环一致损失函数、上述第一特征图像和上述第二特征图像,确定循环一致损失值;基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值;对上述第一循环对抗损失值、上述循环一致损失值与上述循环位置损失值进行加权求和处理,得到上述循环总损失值。
可选地,上述训练单元被进一步配置成:对上述第一区块向量序列中的每个第一区块向量,执行以下步骤:将上述第一区块向量确定为目标区块向量;将上述第二区块向量序列中与上述目标区块向量对应的第二区块向量确定为正样本区块向量;将去除了上述正样本区块向量的第二区块向量序列确定为负样本区块向量序列;基于上述目标区块向量、上述正样本区块向量和负样本区块向量序列和上述循环位置损失函数,确定循环位置损失值。
第四方面,本公开的一些实施例提供了一种图像转换装置,装置包括:获取单元,被配置成获取初始图像;输入单元,被配置成将上述初始图像输入至预先训练的图像转换模型中,得到转换图像,其中,上述图像转换模型是通过如第一方面中任一实现方式描述的方法生成的。
第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的图像转换模型训练方法,可以提高图像转换模型进行图像转换的准确率。具体来说,造成图像转换模型进行图像转换的准确率降低的原因在于:只单独使用循环图像生成网络模型作为主框架时,图像转换模型无法判别生成的图像是否为真实图像并及时对图像转换模型的参数进行调整,导致图像转换模型进行图像转换的准确率降低。基于此,本公开的一些实施例的图像转换模型训练方法,首先,获取样本图像集和初始图像转换模型,其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型。因此,将图像生成模型和图像判别模型作为图像转换模型的框架,可以对图像生成模型生成的图像进行进一步判断,从而可以提高图像转换模型的准确率。然后,基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,上述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。由此,可以利用样本图像对初始图像转换模型进行训练,以提高训练后的图像转换模型对图像进行转换的准确率。从而,可以提高图像转换模型进行图像转换的准确率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的图像转换模型训练方法的一个应用场景的示意图;
图2是本公开的一些实施例的图像转换识别方法的一个应用场景的示意图;
图3是根据本公开的图像转换模型训练方法的一些实施例的流程图;
图4是根据本公开的图像转换模型训练方法的另一些实施例的流程图;
图5是根据本公开的图像转换识别方法的一些实施例的流程图;
图6是根据本公开的图像转换模型训练装置的一些实施例的结构示意图;
图7是根据本公开的图像转换装置的一些实施例的结构示意图;
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的标题实体识别模型训练方法的一个应用场景的示意图。
在图1的应用场景中,首先,电子设备101可以获取样本图像集102和初始图像转换模型103。然后,电子设备101可以将上述训练后的文本编码模型1041与预设的解码网络105确定为初始标题实体识别模型106。最后,电子设备101可以基于上述样本图像集102和至少一个预设的损失函数104,对上述初始图像转换模型103进行训练,得到训练后的图像转换模型105。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
图2是根据本公开一些实施例的图像转换方法的一个应用场景的示意图。
在图2的应用场景中,首先,电子设备201可以获取初始图像202。然后,电子设备201可以将上述获取初始图像202输入至预先训练的图像转换模型203,得到转换图像204。其中,上述图像转换模型203是通过如第一方面中任一实现方式描述的方法生成的。
需要说明的是,上述电子设备201可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图2中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图3,示出了根据本公开的标题实体识别模型训练方法的一些实施例的流程300。该图像转换模型训练方法,包括以下步骤:
步骤301,获取样本图像集和初始图像转换模型。
在一些实施例中,图像转换模型训练方法的执行主体(例如图1所示的电子设备101)可以通过有线连接或无线连接的方式从终端设备获取样本图像集和初始图像转换模型。其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型。
作为示例,上述样本图像集中的样本图像可以是但不限于猫的图像或狗的图像。上述第一图像生成模型可以是但不限于循环图像生成网络(Cycle GenerativeAdversarial Network)模型或Gcgan(Geometry-consistency Generative AdversarialNetwork,几何一致性约束生成对抗网络)模型。上述第二图像生成模型与上述第一图像生成模型相似,在此不再赘述。上述第一图像判别模型可以是以特征图像为输入,以判别结果为输出的神经网络模型。上述第二图像判别模型与上述第一图像判别模型相似,在此不再赘述。
步骤302,基于样本图像集和至少一个预设的损失函数,对初始图像转换模型进行训练,得到训练后的图像转换模型。
在一些实施例中,上述执行主体可以基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型。其中,上述至少一个预设的损失函数包括但不限于以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,可以从上述样本图像集中选取样本图像,对上述初始图像转换模型执行以下训练步骤:
第一步,将样本图像输入至第一图像生成模型,得到第一特征信息。其中,第一特征信息包括第一特征图像和第一区块向量序列。
第二步,将第一特征图像输入至第一图像判别模型,得到第一判别结果。其中,上述第一判别结果可以表征上述第一特征图像的真实性。
作为示例,当上述第一判别结果大于0.5时,可以表征上述第一特征图像是真实图像。当上述第一判别结果小于0.5时,可以表征上述第一特征图像不是真实图像。
第三步,响应于确定第一判别结果满足第一预设条件,将第一特征图像输入至第二图像转换模型,得到第二特征信息。其中,第二特征信息包括第二特征图像和第二区块向量序列。上述第一预设条件可以是上述第一判别结果大于0.5。上述第一区块向量序列中的一个第一区块向量可以对应第二区块向量序列中的一个第二区块向量序列。
第四步,将第二特征图像输入至第二图像判别模型,得到第二判别结果。其中,上述第二判别结果可以表征上述第二特征图像的真实性。
作为示例,当上述第二判别结果大于0.5时,可以表征上述第二特征图像是真实图像。当上述第二判别结果小于0.5时,可以表征上述第二特征图像不是真实图像。
第五步,响应于确定第二判别结果满足第二预设条件,基于至少一个预设的损失函数,确定循环总损失值。其中,上述第二预设条件可以是上述第二判别结果大于0.5。
第六步,响应于确定循环总损失值小于目标值,将初始图像转换模型确定为图像转换模型。其中,对于上述目标值的设定,不作限定,例如,目标值可以是0.1。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述第一判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型。其中,可以利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二步,从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述第二判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型。其中,可以利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二步,从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述循环总损失值大于等于目标值,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型。其中,可以利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二步,从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述至少一个预设的损失函数,确定循环总损失值,可以包括以下步骤:
第一步,基于上述循环对抗损失函数和上述第一特征信息,确定循环对抗损失值。其中,上述循环对抗损失函数可以是但不限于均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第二步,基于上述循环一致损失函数、上述第一特征信息和上述第二特征信息,确定循环一致损失值。其中,上述循环一致损失函数可以是但不限于均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第三步,基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值。上述循环位置损失函数可以是但不限于均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第四步,对上述第一循环对抗损失值、上述循环一致损失值与上述循环位置损失值进行加权求和处理,得到上述循环总损失值。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值,可以包括以下步骤:
对上述第一区块向量序列中的每个第一区块向量,执行以下子步骤:
第一子步骤,将上述第一区块向量确定为目标区块向量。
第二子步骤,将上述第二区块向量序列中与上述目标区块向量对应的第二区块向量确定为正样本区块向量。
第三子步骤,将去除了上述正样本区块向量的第二区块向量序列确定为负样本区块向量序列。
第四子步骤,基于上述目标区块向量、上述正样本区块向量和负样本区块向量序列和上述循环位置损失函数,确定循环位置损失值。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的图像转换模型训练方法,可以提高图像转换模型进行图像转换的准确率。具体来说,造成图像转换模型进行图像转换的准确率降低的原因在于:只单独使用循环图像生成网络模型作为主框架时,图像转换模型无法判别生成的图像是否为真实图像并及时对图像转换模型的参数进行调整,导致图像转换模型进行图像转换的准确率降低。基于此,本公开的一些实施例的图像转换模型训练方法,首先,获取样本图像集和初始图像转换模型,其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型。因此,将图像生成模型和图像判别模型作为图像转换模型的框架,可以对图像生成模型生成的图像进行进一步判断,从而可以提高图像转换模型的准确率。然后,基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,上述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。由此,可以利用样本图像对初始图像转换模型进行训练,以提高训练后的图像转换模型对图像进行转换的准确率。从而,可以提高图像转换模型进行图像转换的准确率。
进一步参考图4,图4示出了根据本公开的图像转换模型训练方法的另一些实施例的流程400。该图像转换模型训练方法,包括以下步骤:
步骤401,获取样本图像集和初始图像转换模型。
在一些实施例中,步骤401的具体实现及其所带来的技术效果,可以参考图3对应的实施例中的步骤301,在此不再赘述。
步骤402,从样本图像集中选取样本图像,对初始图像转换模型执行以下训练步骤:
步骤4021,将样本图像输入至第一图像生成模型,得到第一特征信息。
在一些实施例中,图像转换模型训练方法的执行主体(例如图1所示的电子设备101)可以将样本图像输入至第一图像生成模型,得到第一特征信息。其中,第一特征信息包括第一特征图像和第一区块向量序列。
步骤4022,将第一特征图像输入至第一图像判别模型,得到第一判别结果。
在一些实施例中,上述执行主体可以将第一特征图像输入至第一图像判别模型,得到第一判别结果。其中,上述第一判别结果可以表征上述第一特征图像的真实性。
作为示例,当上述第一判别结果大于0.5时,可以表征上述第一特征图像是真实图像。当上述第一判别结果小于0.5时,可以表征上述第一特征图像不是真实图像。
步骤4023,响应于确定第一判别结果满足第一预设条件,将第一特征图像输入至第二图像转换模型,得到第二特征信息。
在一些实施例中,上述执行主体响应于确定第一判别结果满足预设条件,可以将第一特征图像输入至第二图像转换模型,得到第二特征信息。其中,第二特征信息包括第二特征图像和第二区块向量序列。上述第一预设条件可以是上述第一判别结果大于0.5。上述第一区块向量序列中的一个第一区块向量可以对应第二区块向量序列中的一个第二区块向量序列。
步骤4024,将第二特征图像输入至第二图像判别模型,得到第二判别结果。
在一些实施例中,上述执行主体可以将第二特征图像输入至第二图像判别模型,得到第二判别结果。其中,上述第二判别结果可以表征上述第二特征图像的真实性。
作为示例,当上述第二判别结果大于0.5时,可以表征上述第二特征图像是真实图像。当上述第二判别结果小于0.5时,可以表征上述第二特征图像不是真实图像
步骤4025,响应于确定第二判别结果满足第二预设条件,基于至少一个预设的损失函数,确定循环总损失值。其中,上述第二预设条件可以是上述第二判别结果大于0.5。
在一些实施例中,上述执行主体响应于确定第二判别结果满足预设条件,基于至少一个预设的损失函数,可以确定循环总损失值。其中,上述预设条件可以是上述第一判别结果大于0.5。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述至少一个预设的损失函数,确定循环总损失值,可以包括以下步骤:
第一步,基于上述循环对抗损失函数和上述第一特征信息,确定循环对抗损失值。其中,上述循环对抗损失函数可以是但不限于均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第二步,基于上述循环一致损失函数、上述第一特征信息和上述第二特征信息,确定循环一致损失值。其中,上述循环一致损失函数可以是:
其中,Losscycle(F,C,x,y)表示上述对抗损失值。x表示上述样本图像。pdata(x)表示上述样本图像中定义的真实数据概率分布。F(x)表示上述第一特征信息。G(y)表示上述第二特征信息对应的数值。y表示上述第一特征图像。pdata(y)表示上述第一特征图像中定义的真实数据概率分布。G(F(x))表示上述第二特征信息对应的数值。F(G(y))表示上述第二特征图像输入至上述第一图像生成网络后得到的特征信息对应的数值。||G(F(x))-x||1表示第一稀疏规则算子值。||F(G(y))-y||1表示第二稀疏规则算子值。
第三步,基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值。
第四步,对上述第一循环对抗损失值、上述循环一致损失值与上述循环位置损失值进行加权求和处理,得到上述循环总损失值。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值,可以包括以下步骤:
对上述第一区块向量序列中的每个第一区块向量,执行以下子步骤:
第一子步骤,将上述第一区块向量确定为目标区块向量。
第二子步骤,将上述第二区块向量序列中与上述目标区块向量对应的第二区块向量确定为正样本区块向量。
第三子步骤,将去除了上述正样本区块向量的第二区块向量序列确定为负样本区块向量序列。
第四子步骤,基于上述目标区块向量、上述正样本区块向量和负样本区块向量序列和上述循环位置损失函数,确定循环位置损失值。其中,上述循环位置损失函数可以是:
其中,lloc(v,v+,v-)表示上述循环位置损失值。v表示上述目标区块向量。v+表示上述正样本区块向量。v-表示上述负样本区块向量。n表示上述负样本区块向量序列中的负样本区块向量的序号。N表示负样本区块向量序列中的负样本区块向量的数量。τ表示损失系数。
步骤4046,响应于确定循环总损失值小于目标值,将初始图像转换模型确定为图像转换模型。
在一些实施例中,上述执行主体响应于确定循环总损失值小于目标值,可以将初始图像转换模型确定为图像转换模型。其中,对于上述目标值的设定,不作限定,例如,第一预设差异值可以是0.1。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述第一判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型。其中,可以利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二步,从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述第二判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型。其中,可以利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二步,从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述循环总损失值大于等于目标值,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型。其中,可以利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
第二步,从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
从图4中可以看出,与图3对应的一些实施例的描述相比,图4对应的一些实施例中的图像转换模型训练方法的流程400更加突出了上述图像转换模型训练的具体步骤。由此,这些实施例描述的方案,利用了循环对抗损失函数、循环一致损失函数和循环位置损失函数对初始图像转换模型进行训练,增强了训练后的图像转换模型对图像进行转换的准确率。
进一步参考图5,示出了根据本公开的图像转换方法的一些实施例。该图像转换方法,包括以下步骤:
步骤501,获取初始图像。
在一些实施例中,图像转换方法的执行主体(例如图2所示的电子设备201)可以通过有线连接或无线连接的方式从终端设备中获取初始图像。
作为示例,上述初始图像可以是猫的图像或狗的图像。
步骤502,将初始图像输入至预先训练的图像转换模型中,得到转换图像。
在一些实施例中,上述执行主体可以将上述初始图像输入至预先训练的图像转换模型中,得到转换图像。其中,上述预先训练的图像转换模型可以是通过本公开一些实施例的图像转换模型训练方法生成的。
从图5可以看出,通过本公开的一些实施例的图像转换方法,可以对初始图像进行转换,得到准确的转换图像。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种图像转换模型训练装置的一些实施例,这些图像转换模型训练装置实施例与图3所示的那些图像转换模型训练方法实施例相对应,该图像转换模型训练装置具体可以应用于各种电子设备中。
如图6所示,一些实施例的图像转换模型训练装置600包括:获取单元601、训练单元602。其中,获取单元601,被配置成获取样本图像集和初始图像转换模型,其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;训练单元603,被配置成基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,上述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
可选地,上述训练单元602被进一步配置成:从上述样本图像集中选取样本图像,对上述初始图像转换模型执行以下训练步骤:将样本图像输入至第一图像生成模型,得到第一特征信息,其中,第一特征信息包括第一特征图像;将第一特征图像输入至第一图像判别模型,得到第一判别结果;响应于确定第一判别结果满足预设条件,将第一特征图像输入至第二图像转换模型,得到第二特征信息,其中,第二特征信息包括第二特征图像;将第二特征图像输入至第二图像判别模型,得到第二判别结果;响应于确定第二判别结果满足预设条件,基于至少一个预设的损失函数,确定循环总损失值;响应于确定循环总损失值小于目标值,将初始图像转换模型确定为图像转换模型。
可选地,上述图像转换模型训练装置还包括:第一调整单元,被配置成:响应于确定上述第一判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;第一确定单元,被配置成从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述图像转换模型训练装置还包括:第二调整单元,被配置成:响应于确定上述第二判别结果不满足上述预设条件,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;第二确定单元,被配置成从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述图像转换模型训练装置还包括:第三调整单元,被配置成:响应于确定上述循环总损失值大于等于目标值,调整上述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;第三确定单元,被配置成从上述样本图像集中重新选取样本图像,将上述调整后的初始图像转换模型确定为初始图像转换模型,继续执行上述训练步骤。
可选地,上述第一特征信息还包括:第一区块向量序列,上述第二特征信息还包括:第二区块向量序列;以及,上述训练单元602被进一步配置成:基于上述循环对抗损失函数和上述第一特征信息,确定循环对抗损失值;基于上述循环一致损失函数、上述第一特征图像和上述第二特征图像,确定循环一致损失值;基于上述循环位置损失函数、上述第一区块向量序列和上述第二区块向量序列,确定循环位置损失值;对上述第一循环对抗损失值、上述循环一致损失值与上述循环位置损失值进行加权求和处理,得到上述循环总损失值。
可选地,上述训练单元602被进一步配置成:对上述第一区块向量序列中的每个第一区块向量,执行以下步骤:将上述第一区块向量确定为目标区块向量;将上述第二区块向量序列中与上述目标区块向量对应的第二区块向量确定为正样本区块向量;将去除了上述正样本区块向量的第二区块向量序列确定为负样本区块向量序列;基于上述目标区块向量、上述正样本区块向量和负样本区块向量序列和上述循环位置损失函数,确定循环位置损失值。
可以理解的是,该图像转换模型训练装置600中记载的诸单元与参考图3描述的图像转换模型训练方法中的各个步骤相对应。由此,上文针对图像转换模型训练方法描述的操作、特征以及产生的有益效果同样适用于图像转换模型训练装置600及其中包含的单元,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种图像转换装置的一些实施例,这些装置实施例与图5所示的那些方法实施例相对应,该图像转换装置具体可以应用于各种电子设备中。
如图7所示,一些实施例的图像转换装置700包括:获取单元701、输入单元702。其中,获取单元701,被配置成被配置成获取初始图像;输入单元702,被配置成将上述初始图像输入至预先训练的图像转换模型中,得到转换图像,其中,上述图像转换模型是通过如第一方面中任一实现方式描述的方法生成的。
可以理解的是,该图像转换装置700中记载的诸单元与参考图5描述的图像转换方法中的各个步骤相对应。由此,上文针对图像转换方法描述的操作、特征以及产生的有益效果同样适用于图像转换装置700及其中包含的单元,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的一些实施例的电子设备800的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取样本图像集和初始图像转换模型,其中,上述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,上述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,上述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;基于上述样本图像集和至少一个预设的损失函数,对上述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,上述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元和训练单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取样本图像集和初始图像转换模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种图像转换模型训练方法,包括:
获取样本图像集和初始图像转换模型,其中,所述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,所述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,所述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;
基于所述样本图像集和至少一个预设的损失函数,对所述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,所述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
2.根据权利要求1所述的方法,其中,所述基于所述样本图像集和至少一个预设的损失函数,对所述初始图像转换模型进行训练,得到训练后的图像转换模型,包括:
从所述样本图像集中选取样本图像,对所述初始图像转换模型执行以下训练步骤:
将样本图像输入至第一图像生成模型,得到第一特征信息,其中,第一特征信息包括第一特征图像;
将第一特征图像输入至第一图像判别模型,得到第一判别结果;
响应于确定第一判别结果满足第一预设条件,将第一特征图像输入至第二图像转换模型,得到第二特征信息,其中,第二特征信息包括第二特征图像;
将第二特征图像输入至第二图像判别模型,得到第二判别结果;
响应于确定第二判别结果满足第二预设条件,基于至少一个预设的损失函数,确定循环总损失值;
响应于确定循环总损失值小于目标值,将初始图像转换模型确定为图像转换模型。
3.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定所述第一判别结果不满足所述预设条件,调整所述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;
从所述样本图像集中重新选取样本图像,将所述调整后的初始图像转换模型确定为初始图像转换模型,继续执行所述训练步骤。
4.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定所述第二判别结果不满足所述预设条件,调整所述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;
从所述样本图像集中重新选取样本图像,将所述调整后的初始图像转换模型确定为初始图像转换模型,继续执行所述训练步骤。
5.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定所述循环总损失值大于等于目标值,调整所述初始图像转换模型中的相关参数,得到调整后的初始图像转换模型;
从所述样本图像集中重新选取样本图像,将所述调整后的初始图像转换模型确定为初始图像转换模型,继续执行所述训练步骤。
6.根据权利要求2所述的方法,其中,所述第一特征信息还包括:第一区块向量序列,所述第二特征信息还包括:第二区块向量序列;以及
所述基于所述至少一个预设的损失函数,确定循环总损失值,包括:
基于所述循环对抗损失函数和所述第一特征信息,确定循环对抗损失值;
基于所述循环一致损失函数、所述第一特征信息和所述第二特征信息,确定循环一致损失值;
基于所述循环位置损失函数、所述第一区块向量序列和所述第二区块向量序列,确定循环位置损失值;
对所述第一循环对抗损失值、所述循环一致损失值与所述循环位置损失值进行加权求和处理,得到所述循环总损失值。
7.根据权利要求4所述的方法,其中,所述基于所述循环位置损失函数、所述第一区块向量序列和所述第二区块向量序列,确定循环位置损失值,包括:
对所述第一区块向量序列中的每个第一区块向量,执行以下步骤:
将所述第一区块向量确定为目标区块向量;
将所述第二区块向量序列中与所述目标区块向量对应的第二区块向量确定为正样本区块向量;
将去除了所述正样本区块向量的第二区块向量序列确定为负样本区块向量序列;
基于所述目标区块向量、所述正样本区块向量和负样本区块向量序列和所述循环位置损失函数,确定循环位置损失值。
8.一种图像转换方法,包括:
获取初始图像;
将所述初始图像输入至预先训练的图像转换模型中,得到转换图像,其中,所述图像转换模型是通过如权利要求1-7中任一所述的方法生成的。
9.一种图像转换模型训练装置,包括:
获取单元,被配置成获取样本图像集和初始图像转换模型,其中,所述初始图像转换模型包括第一初始图像转换模型和第二初始图像转换模型,所述第一初始图像转换模型包括第一图像生成模型和第一图像判别模型,所述第二初始图像转换模型包括第二图像生成模型和第二图像判别模型;
训练单元,被配置成基于所述样本图像集和至少一个预设的损失函数,对所述初始图像转换模型进行训练,得到训练后的图像转换模型,其中,所述至少一个预设的损失函数包括以下至少一项:循环对抗损失函数、循环一致损失函数和循环位置损失函数。
10.一种图像转换装置,包括:
获取单元,被配置成获取初始图像;
输入单元,被配置成将所述初始图像输入至预先训练的图像转换模型中,得到转换图像,其中,所述图像转换模型是通过如权利要求1-7中任一所述的方法生成的。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211613822.8A CN116071224A (zh) | 2022-12-15 | 2022-12-15 | 图像转换模型训练方法、图像转换方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211613822.8A CN116071224A (zh) | 2022-12-15 | 2022-12-15 | 图像转换模型训练方法、图像转换方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071224A true CN116071224A (zh) | 2023-05-05 |
Family
ID=86181229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211613822.8A Pending CN116071224A (zh) | 2022-12-15 | 2022-12-15 | 图像转换模型训练方法、图像转换方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071224A (zh) |
-
2022
- 2022-12-15 CN CN202211613822.8A patent/CN116071224A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902186B (zh) | 用于生成神经网络的方法和装置 | |
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110021052B (zh) | 用于生成眼底图像生成模型的方法和装置 | |
CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
WO2020207174A1 (zh) | 用于生成量化神经网络的方法和装置 | |
CN112149699B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN113190872B (zh) | 数据保护方法、网络结构训练方法、装置、介质及设备 | |
US20240282027A1 (en) | Method, apparatus, device and storage medium for generating animal figures | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN115830001A (zh) | 肠道图像处理方法、装置、存储介质及电子设备 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
CN116129440A (zh) | 异常用户端告警方法、装置、电子设备和介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN111611420B (zh) | 用于生成图像描述信息的方法和装置 | |
CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN116071224A (zh) | 图像转换模型训练方法、图像转换方法和装置 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN112070163B (zh) | 图像分割模型训练和图像分割方法、装置、设备 |
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 |