【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种海报模板的生成方法、装置、计算机设备及存储介质。
技术介绍
1、在当今数字化和创意设计行业中，海报设计是广告、宣传、活动推广等领域中常见的重要任务。当前的海报设计主要依赖于设计师的手工创作，设计师需要从零开始创建海报模板，包括选择背景、插入图片、排版文本等。这种人工驱动的方式既费时又费力，限制了设计师的创造力和效率。同时，由于企业和组织在进行海报设计时需要投入大量的人力资源，直接增加了模板的生产成本。
2、此外，现有的海报模板往往存在应用通用性和场景匹配性之间难以平衡的问题。设计师通常会创建一些通用的模板，以便在不同的场景下使用。然而，这些通用模板可能无法满足不同场景的具体要求，无法准确表达宣传信息或适应不同尺寸和布局的海报需求。这导致了在海报设计过程中的两难选择：要么使用通用模板牺牲个性化和场景匹配性，要么进行定制设计增加人工成本和时间投入。
技术实现思路
1、本申请实施例的目的在于提出一种海报模板的生成方法、装置、计算机设备及存储介质，以解决相关技术中海报模板定制成本高，存在应用通用性和场景匹配性之间难以平衡的技术问题。
2、为了解决上述技术问题，本申请实施例提供一种海报模板的生成方法，采用了如下所述的技术方案：
3、获取全部业务场景的参考海报，对所述参考海报进行图像分析，并识别所述参考海报的海报元素，得到识别结果；
4、将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部的元素语义分割图
5、对每个所述元素语义分割图像进行特征提取，得到元素特征，并存储所述元素特征；
6、接收用户输入的目标业务场景对应的海报配置信息，基于所述海报配置信息确定目标元素特征和海报布局；
7、将所述目标元素特征按照所述海报布局进行重组，生成目标海报模板。
8、进一步的，所述对所述参考海报进行图像分析，并识别所述参考海报的海报元素，得到识别结果的步骤包括：
9、对所述参考海报进行预处理，得到增强海报图像；
10、将所述增强海报图像输入训练好的目标检测模型中进行海报元素识别，得到识别结果。
11、进一步的，所述目标检测模型包括卷积神经网络层、区域候选网络层、兴趣区域池化层以及分类层；所述将所述增强海报图像输入训练好的目标检测模型中进行海报元素识别，得到识别结果的步骤包括：
12、通过所述卷积神经网络对所述增强海报图像进行特征提取，得到海报特征图；
13、将所述海报特征图输入所述区域候选网络层，通过所述区域候选网络层得到候选区域特征；
14、将所述海报特征图和所述候选区域特征输入所述兴趣区域池化层进行池化操作，得到池化特征；
15、通过所述分类层对所述池化特征进行分类，得到识别结果，其中，所述识别结果包括海报元素和对应的元素类别。
16、进一步的，所述将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部的元素语义分割图像的步骤包括：
17、将所述识别结果输入所述语义分割模型中，其中，所述语义分割模型至少包括编码器、解码器、卷积池化层、注意力细化层和第一输出层；
18、通过所述编码器对所述识别结果输入至进行特征提取，得到图像编码特征；
19、通过所述解码器将所述图像编码特征进行解码，输出图像解码特征；
20、将所述图像解码特征输入所述卷积池化层进行卷积池化操作，得到强化图像特征；
21、通过所述注意力细化层对所述强化图像特征的感兴趣区域进行注意力计算，得到注意力特征；
22、将所述注意力特征与所述强化图像特征进行融合，得到融合特征；
23、对所述融合特征通过所述第一输出层进行输出，得到全部的元素语义分割图像。
24、进一步的，在所述将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部元素语义分割图像的步骤之后还包括：
25、将全部的所述元素语义分割图像输入训练好的实例分割模型中，所述实例分割模型包括特征提取层、区域建议层、对齐层、多任务分支层和第二输出层；
26、通过所述特征提取层对所述元素语义分割图像进行特征提取，得到图像语义特征；
27、将所述元素语义特征输入所述区域建议层进行感兴趣区域提取，得到候选区域；
28、将所述候选区域输入所述对齐层，得到对齐感兴趣区域；
29、通过所述多任务分支层对所述对齐感兴趣区域进行分类、边界框回归和分割，对应得到目标类别、目标边界框和目标实例掩码图像，所述目标实例掩码图像即为实例分割图像。
30、进一步的，所述对每个所述元素语义分割图像进行特征提取，得到元素特征的步骤包括：
31、确定所述元素语义分割图像的特征类别，根据所述特征类别调用预设特征提取算法；
32、基于所述预设特征提取算法对所述元素语义分割图像进行特征提取，得到元素特征。
33、进一步的，在所述将所述目标元素特征按照所述海报元素布局进行重组，生成目标海报模板的步骤之后还包括：
34、对所述目标海报模板进行评估，确定所述目标海报模板是否符合预设要求；
35、若是符合，则输出所述目标海报模板；
36、若是不符合，则对所述目标海报模板进行校对和调整，输出优化的目标海报模板。
37、为了解决上述技术问题，本申请实施例还提供一种海报模板的生成装置，采用了如下所述的技术方案：
38、识别模块，用于获取全部业务场景的参考海报，对所述参考海报进行图像分析，并识别所述参考海报的海报元素，得到识别结果；
39、元素分割模块，用于将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部的元素语义分割图像；
40、特征提取模块，用于对每个所述元素语义分割图像进行特征提取，得到元素特征，并存储所述元素特征；
41、接收模块，用于接收用户输入的目标业务场景对应的海报配置信息，基于所述海报配置信息确定目标元素特征和海报布局；
42、重组模块，用于将所述目标元素特征按照所述海报布局进行重组，生成目标海报模板。
43、为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
44、该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的海报模板的生成方法的步骤。
45、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
46、所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的海报模板的生成方法的步骤。
47、与现有技术相比，本申请实施例主要有以下有益效果：
48、本申请本文档来自技高网...
【技术保护点】
1.一种海报模板的生成方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的海报模板的生成方法，其特征在于，所述对所述参考海报进行图像分析，并识别所述参考海报的海报元素，得到识别结果的步骤包括：
3.根据权利要求2所述的海报模板的生成方法，其特征在于，所述目标检测模型包括卷积神经网络层、区域候选网络层、兴趣区域池化层以及分类层；所述将所述增强海报图像输入训练好的目标检测模型中进行海报元素识别，得到识别结果的步骤包括：
4.根据权利要求1所述的海报模板的生成方法，其特征在于，所述将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部的元素语义分割图像的步骤包括：
5.根据权利要求1所述的海报模板的生成方法，其特征在于，在所述将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部元素语义分割图像的步骤之后还包括：
6.根据权利要求1所述的海报模板的生成方法，其特征在于，所述对每个所述元素语义分割图像进行特征提取，得到元素特征的步骤包括：
7.根据权利要求1所述的海报模板的生成方法，其特征在于，
8.一种海报模板的生成装置，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的海报模板的生成方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的海报模板的生成方法的步骤。
...【技术特征摘要】
1.一种海报模板的生成方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的海报模板的生成方法，其特征在于，所述对所述参考海报进行图像分析，并识别所述参考海报的海报元素，得到识别结果的步骤包括：
3.根据权利要求2所述的海报模板的生成方法，其特征在于，所述目标检测模型包括卷积神经网络层、区域候选网络层、兴趣区域池化层以及分类层；所述将所述增强海报图像输入训练好的目标检测模型中进行海报元素识别，得到识别结果的步骤包括：
4.根据权利要求1所述的海报模板的生成方法，其特征在于，所述将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部的元素语义分割图像的步骤包括：
5.根据权利要求1所述的海报模板的生成方法，其特征在于，在所述将所述识别结果输入训练好的语义分割模型中进行元素分割，得到全部元素语义...
【专利技术属性】
技术研发人员：梁凯程，
申请(专利权)人：中国平安财产保险股份有限公司，
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。