模型训练、图像重构方法、装置、计算机设备及存储介质制造方法及图纸

本说明书实施方式提供了一种模型训练、图像重构方法、装置、计算机设备及存储介质，通过图像重构模型提取可见光图像中所包含的目标对象的第一外观特征，以及深度图像中所包含的目标对象的第一姿态特征；基于第一外观特征以及第一姿态特征进行图像重构，得到重构图像；再次使用图像重构模型提取重构图像中包含的所述目标对象的第二外观特征，以及所述重构图像中所包含的所述目标对象的第二姿态特征；将可见光图像与重构图像之间的图像损失数据、第一外观特征与第二外观特征之间的外观损失数据、第一姿态特征与第二姿态特征之间的姿态损失数据作为监督信号，执行对图像重构模型的训练，得到能够对可见光图像进行高质量扩展的图像重构模型。像重构模型。像重构模型。

【技术实现步骤摘要】
模型训练、图像重构方法、装置、计算机设备及存储介质


[0001]本公开关于计算机视觉
，具体涉及一种模型训练、图像重构方法、装置、计算机设备及存储介质。

技术介绍

[0002]目前，在计算机视觉领域中，多数计算机视觉算法需要采用深度学习技术实现。但是在深度学习技术中，对训练样本数量、训练样本分布具有一定要求。
[0003]以活体检测任务为例，活体检测模型的训练数据集需要包括活体训练数据和假体训练数据。然而，在真实业务场景中，收集的训练数据主要是真实的活体数据，假体数据的数量却比较少。因此需要提出一种新方式以生成重构图像。

技术实现思路

[0004]本说明书中多个实施方式提供一种模型训练、图像重构方法、装置、计算机设备及存储介质，以对模型训练数据的扩充，提高模型训练的数量。
[0005]本说明书的一个实施方式提供一种图像重构模型训练方法，所述方法包括：通过图像重构模型对具有目标对象的可见光图像，以及所述可见光图像对应的深度图像进行图像重构，得到重构图像；所述图像重构模型用于对所述可见光图像以及所述深度图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像重构模型训练方法，其特征在于，所述方法包括：通过图像重构模型对具有目标对象的可见光图像，以及所述可见光图像对应的深度图像进行图像重构，得到重构图像；所述图像重构模型用于对所述可见光图像以及所述深度图像进行特征提取，得到所述可见光图像中所包含的所述目标对象的第一外观特征，以及所述深度图像中所包含的所述目标对象的第一姿态特征，并基于所述第一外观特征以及所述第一姿态特征进行图像重构；通过所述图像重构模型对所述重构图像进行特征提取，得到所述重构图像中所包含的所述目标对象的第二外观特征，以及所述重构图像中所包含的所述目标对象的第二姿态特征；根据所述可见光图像与所述重构图像之间的图像损失数据、所述第一外观特征与所述第二外观特征之间的外观损失数据、所述第一姿态特征与所述第二姿态特征之间的姿态损失数据，更新所述图像重构模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述图像重构模型包括编码单元，所述编码单元包括用于提取外观特征的第一编码器，以及用于提取姿态特征的第二编码器；所述图像重构模型用于对所述可见光图像以及所述深度图像进行特征提取，得到所述可见光图像中所包含的所述目标对象的第一外观特征，以及所述深度图像中所包含的所述目标对象的第一姿态特征，包括：所述第一编码器用于对所述可见光图像进行外观特征提取，得到所述第一外观特征；所述第二编码器用于对所述可见光图像对应的深度图像进行姿态特征提取，得到所述第一姿态特征。3.根据权利要求2所述的方法，其特征在于，所述通过所述图像重构模型对所述重构图像进行特征提取，得到所述重构图像中所包含的所述目标对象的第二外观特征，以及所述重构图像中所包含的所述目标对象的第二姿态特征，包括：通过所述第一编码器对所述重构图像进行外观特征提取，得到所述第二外观特征；通过所述第二编码器对所述重构图像进行姿态特征提取，得到所述第二姿态特征。4.根据权利要求1所述的方法，其特征在于，所述图像重构模型还包括风格迁移单元和解码器；所述基于所述第一外观特征以及所述第一姿态特征进行图像重构，包括：所述风格迁移单元用于将所述第一外观特征迁移至所述第一姿态特征中，得到重构图像特征；所述解码器用于对所述重构图像特征进行解码，得到所述重构图像。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述图像重构模型还包括判别器；在所述根...

【专利技术属性】
技术研发人员：高亮，蒋宁，周迅溢，吴海英，曾定衡，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：