申请/专利权人：杭州广电云网络科技有限公司

申请日：2021-01-21

公开（公告）日：2024-03-22

公开（公告）号：CN112883806B

主分类号：G06V20/40

分类号：G06V20/40;G06V10/764;G06V10/82;G06N3/0455;G06N3/096;H04N19/20

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.06.18#实质审查的生效;2021.06.01#公开

摘要：本申请涉及一种基于神经网络的视频风格迁移方法、装置、计算机设备和存储介质。所述方法包括：获取第一图像，以及需依据第一图像转化的视频数据，视频数据中包括以时间顺序排列的多帧第二图像；将第一图像以及视频数据输入训练后的视频风格迁移神经网络，得到具有第一图像风格特征以及视频数据内容特征的迁移视频数据；其中，训练后的视频风格迁移神经网络包括风格编码器、内容编码器、语义依赖关系学习网络以及解码器。采用本方法能够提高整体图像的迁移效果，并且达到视频风格迁移防抖动的目标。

主权项：1.基于神经网络的视频风格迁移方法，其特征在于，包括：获取第一图像，以及需依据所述第一图像转化的视频数据，所述视频数据中包括以时间顺序排列的多帧第二图像；将所述第一图像以及视频数据输入训练后的视频风格迁移神经网络，得到具有所述第一图像风格特征以及所述视频数据内容特征的迁移视频数据；其中，所述训练后的视频风格迁移神经网络包括风格编码器、内容编码器、语义依赖关系学习网络以及解码器；所述将所述第一图像以及视频数据输入训练后的视频风格迁移神经网络，得到具有所述第一图像风格特征的迁移视频数据包括：将所述第一图像输入风格编码器，得到与所述第一图像风格特征相关的第一语义特征；依次将连续两帧所述第二图像输入内容编码器，得到与所述视频数据内容特征相关的多个第二语义特征；将所述第一语义特征以及各所述第二语义特征输入语义依赖关系学习网络，得到相应的多个依赖关系语义特征；将各所述依赖关系语义特征输入解码器，得到所述迁移视频数据；所述语义依赖关系学习网络包括：微观结构依赖学习模块以及风格依赖关系学习模块；所述微观结构依赖学习模块根据第一语义特征Fs以及第二语义特征Fc对微观结构依赖关系构建一个依赖关系图，给定两个输入语义特征Fc，Fs∈RC×H×W，其中C是特征的通道数，H，W分别是语义特征的宽度和高度；将第一语义特征Fs以及第二语义特征Fc输入卷积层和ReLU层，分别生成两个新的特征B和C，其中B，C∈RC×H×W，在特征B中提取出一定大小的微观结构，依据下式计算具有归一化内积余弦值作为两个微观结构的依赖关系： 式中，Cx,y为特征C中以位置x，y为中心的微观结构；Bx’，y’为特征B中以位置x’，y’为中心的微观结构；Sx,y,x’,y’表示特征B中以位置x’，y’为中心的微观结构与特征C中以位置x，y为中心的微观结构的依赖关系；从特征B中提取的微观结构数量为N，其中N等于使用步长1提取微观结构时的H×W，用N个在特征B中提取的微观结构对特征C中的所有微观结构计算其依赖关系，得到一个新的微观结构依赖关系图E，E∈RH×W×H×W，并将其整形为RN×N，应用softmax对微观结构依赖关系图E进行归一化，得到特征B和特征C之间的微观结构依赖关系图S∈RN×N： 式中，Sj，k表示第i个和第j个微观结构之间的依赖系数；所述风格依赖关系学习模块用于学习不同通道特征映射与模型外观纹理的相关性，将第一语义特征Fs和第二语义特征Fc重塑为D和E，在D和E之间进行矩阵乘法，应用softmax层获得风格依赖关系图Z∈RC×C： 式中，Zi,j表示i个特征通道的风格对j个特征通道的风格之间的依赖关系。

全文数据：

权利要求：

百度查询： 杭州广电云网络科技有限公司 基于神经网络的视频风格迁移方法、装置、计算机设备和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD