【技术实现步骤摘要】
深度学习模型的训练方法、图像生成方法及装置
[0001]本公开涉及人工智能
,尤其涉及计算机视觉、深度学习等
具体涉及一种深度学习模型的训练方法、图像生成方法及装置。
技术介绍
[0002]随着人工智能技术在图像处理领域技术的深入应用,利用深度学习模型处理的样本数据的复杂程度也越来越高。相应地,为了提高训练集的样本数据在迭代训练中的数据拟合能力,深度学习模型的复杂程度也会越来越高,以至于将样本数据中的非一般性特征学习到模型中,出现过拟合现象。
技术实现思路
[0003]本公开提供了一种深度学习模型的训练方法、图像生成方法及装置。
[0004]根据本公开的一方面,提供了一种深度学习模型的训练方法,包括:对第一图像和第二图像分别进行目标点检测,得到第一目标点分布图和第二目标点分布图,其中,目标点表征用于标识图像的目标对象的姿态和轮廓的像素点,第一图像是对初始模型进行第n轮次训练时生成的,第二图像是对初始模型进行第n+1轮次训练时生成的,n为大于1的整数;对第一目标点分布图和第二目标点分布图进行处理,得到第一图像与第二图像的差异度;以及响应于确定差异度小于等于第一预定阈值,得到经训练的深度学习模型。
[0005]根据本公开的另一方面,提供了一种图像生成方法,包括:获取待处理数据,其中,待处理数据包括以下至少之一:待处理文本、待处理图像;以及利用深度学习模型对待处理数据进行处理,生成目标图像,其中,深度学习模型是利用上述训练方法训练得到的。
[0006]根据本公开的另一方 ...
【技术保护点】
【技术特征摘要】
1.一种深度学习模型的训练方法,包括:对第一图像和第二图像分别进行目标点检测,得到第一目标点分布图和第二目标点分布图,其中,所述目标点表征用于标识图像的目标对象的姿态和轮廓的像素点,所述第一图像是对初始模型进行第n轮次训练时生成的,所述第二图像是对所述初始模型进行第n+1轮次训练时生成的,n为大于1的整数;对所述第一目标点分布图和所述第二目标点分布图进行处理,得到所述第一图像与所述第二图像的差异度;以及响应于确定所述差异度小于等于第一预定阈值,得到经训练的深度学习模型。2.根据权利要求1所述的方法,其中,所述第一目标点分布图包括:第一关键点分布图和第一边缘点分布图;所述第二目标点分布图包括:第二关键点分布图和第二边缘点分布图;所述对所述第一目标点分布图和所述第二目标点分布图进行处理,得到所述第一图像与所述第二图像的差异度,包括:对所述第一关键点分布图和所述第二关键点分布图进行处理,得到关键点的离散度差异,其中,所述关键点表征用于标识所述目标对象的姿态的像素点;对所述第一边缘点分布图和所述第二边缘点分布图进行处理,得到边缘点的特征差异,其中,所述边缘点表征用于表征所述目标对象的轮廓的像素点;以及根据所述关键点的离散度差异和所述边缘点的特征差异,得到所述差异度。3.根据权利要求2所述的方法,其中,所述对所述第一边缘点分布图和所述第二边缘点分布图进行处理,得到边缘点的特征差异,包括:分别对所述第一边缘点分布图、所述第二边缘点分布图进行处理,得到第一边缘点的分布特征和第二边缘点的分布特征;在确定所述第一边缘点的分布特征与所述第二边缘点的分布特征的相似度小于等于第二预定阈值的情况下,分别对所述第一边缘点、所述第二边缘点进行聚类,得到第一边缘实体对象和第二边缘实体对象;以及对所述第一边缘实体对象和所述第二边缘实体对象进行处理,得到特征差异。4.根据权利要求3所述的方法,其中,所述分别对所述第一边缘点分布图、所述第二边缘点分布图进行处理,得到第一边缘点的分布特征和第二边缘点的分布特征,包括:对所述第一边缘点分布图进行区域划分,得到多个第一边缘点区域和所述多个第一边缘点区域内的边缘点数量;对所述多个第一边缘点区域内的边缘点数量进行拟合,得到所述第一边缘点的分布特征;对所述第二边缘点分布图进行区域划分,得到多个第二边缘点区域和所述多个第二边缘点区域内的边缘点数量;以及对所述多个第二边缘点区域内的边缘点数量进行拟合,得到所述第二边缘点的分布特征。5.根据权利要求3所述的方法,其中,所述对所述第一边缘实体对象和所述第二边缘实体对象进行处理,得到特征差异,包括:提取所述第一边缘实体对象的第一边缘点特征,其中,所述第一边缘点特征包括所述第一边缘实体对象的边缘点的颜色特征和位置特征;
提取所述第二边缘实体对象的第二边缘点特征,其中,所述第二边缘点特征包括所述第二边缘实体对象的边缘点的颜色特征和位置特征;以及基于相似度函数,对所述第一边缘点特征和所述第二边缘点特征进行处理,得到所述特征差异。6.根据权利要求2所述的方法,其中,所述对所述第一关键点分布图和所述第二关键点分布图进行处理,得到关键点的离散度差异,包括:对所述第一关键点分布图进行处理,得到第一关键点的离散程度;对所述第二关键点分布图进行处理,得到第二关键点的离散程度;以及根据所述第一关键点的离散程度和所述第二关键点的离散程度,得到所述关键点的离散程度差异。7.根据权利要求6所述的方法,其中,所述对所述第一关键点分布图进行处理,得到第一关键点的离散程度,包括:对所述第一关键点分布图进行栅格化处理,得到多个第一栅格区域和所述多个第一栅格区域内的关键点数量;以及根据所述多个第一栅格区域内的关键点数量,得到第一关键点的离散程度。8.根据权利要求6所述的方法,其中,所述对所述第二关键点分布图进行处理,得到第二关键点的离散程度,包括:对所述第二关键点分布图进行栅格化处理,得到多个第二栅格区域和所述多个第二栅格区域内的关键点数量;以及根据所述多个第二栅格区域内的关键点数量,得到第二关键点的离散程度。9.根据权利要求2所述的方法,其中,所述根据所述关键点的离散度差异和所述边缘点的特征差异,得到所述差异度,包括:确定离散度差异的第一权重和特征差异的第二权重;以及根据所述离散度差异、所述第一权重、所述特征差异和所述第二权重,得到所述差异度。10.根据权利要求1所述的方法,其中,所述对第一图像和第二图像分别进行目标点检测,得到第一目标点分布图和第二目标点分布图,包括:分别对所述第一图像、所述第二图像进行关键点检测,得到第一关键点分布图和第二关键点分布图;以及分别对所述第一图像、所述第二图像进行边缘点检测,得到第一边缘点分布图和第二边缘点分布图。11.一种图像生成方法,包括:获取待处理数据,其中,所述待处理数据包括以下至少之一:待处理文本、待处理图像;以及利用深度学习模型对所述待处理数据进行处理,生成目标图像,其中,所述深度学习模型是利用权利要求1~10任一项所述的训练方法训练得到的。12.一种深度学习模型的训练装置,包括:检测模块,用于对第一图像和第二图像分别进行目标点检测,得到第一目标点分布图和第二目标点分布图,其中,所述目标点表征用于标识图像的目标对象的姿态和轮廓的像
素点,所述第一图像是对初始模型进行第n轮次训练时生成的,所述第二图像是对所述初始模型进行第n+1轮次训练时生成的,n为大于1的整数;处理模块,用...
【专利技术属性】
技术研发人员:孟庆春,欧阳剑,
申请(专利权)人:昆仑芯北京科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。