【技术实现步骤摘要】
本申请涉及计算机视觉，尤其涉及一种虚拟目标识别方法、装置、电子设备及存储介质。
技术介绍
1、目前，随着深度学习技术的发展，通过大规模的数据集进行训练，不断优化模型的生成能力，使得模型能够捕捉到更多关于真实人物形象的细节特征，如面部轮廓、表情变化、肤色差异等。使得模型更好地理解人类的语言和视觉信息，从而生成更加逼真、符合人类审美的虚拟形象。生成式大模型生成的虚拟形象在外观上与真实人物形象越来越接近。然而，由于基于人工智能生成的面部特征或姿态能够精细的模拟真实目标，使得虚拟形象在视觉上难以与真实人物形象区分。导致用户无法分辨图像中的真实目标（例如，真实的人体、真实的动物等）和虚拟目标（例如，虚拟人体、虚拟动物等），进而可能导致识别虚拟目标的准确度降低。
技术实现思路
1、鉴于以上内容，有必要提出一种虚拟目标识别方法、装置、电子设备及存储介质，以解决对虚拟目标进行识别的准确度低的技术问题。
2、本申请提供一种虚拟目标识别方法，应用于电子设备，所述方法包括：获取待识别的样本图像；对所述样本图像进行特征提取处理，得到图像特征；根据所述图像特征构建待识别数据；基于预先训练的目标识别模型处理所述待识别数据，得到所述样本图像中的目标的目标识别结果；基于预先训练的风格识别模型处理所述样本图像中所述目标的图像信息以及所述样本图像中的背景区域的图像信息，得到所述样本图像的第一风格识别结果和所述目标的第二风格识别结果；根据所述第一风格识别结果和所述第二风格识别结果确定所述目标和所述样本图像之
3、在一些实施例中，所述方法还包括训练所述目标识别模型，所述训练所述目标识别模型包括：根据预存的训练图像构建第一训练数据；其中，所述训练图像对应于第一标签数据；根据所述第一标签数据确定对应的所述第一训练数据的第一置信度；所述第一置信度用于表征所述训练图像中的目标对应的可信程度；输入所述第一训练数据至预先构建的第一初始识别模型，得到所述第一训练数据对应的第一预测结果；根据所述第一置信度、所述第一预测结果和所述第一标签数据确定所述第一初始识别模型的第一损失值；基于反向传播算法更新所述初始识别模型，直至所述第一损失值满足预设条件时，停止更新所述第一初始识别模型，得到训练至收敛状态的目标识别模型。
4、在一些实施例中，所述根据所述第一标签数据确定对应的所述第一训练数据的第一置信度包括：
5、；
6、其中，r代表所述第一训练数据对应的第一置信度；i是所述第一标签数据指示的所述训练图像中的目标的索引，m是所述第一标签数据指示的所述训练图像中的目标的数量；j是所述第一标签数据指示的所述目标的肢体部位的索引，n是所述第一标签数据指示的所述目标的肢体部位的数量；是所述第一标签数据指示的所述训练图像中的索引为i的目标中索引为j的肢体部位的像素点的数量；是所述训练图像中的索引为i的目标中的躯干部位的像素点的数量；是所述第一标签数据指示的所述训练图像中的索引为i的目标中索引为j的肢体部位的评分；是所述第一标签数据指示的所述训练图像中的索引为i的目标的面部特征的评分。
7、在一些实施例中，所述根据所述置信度、所述第一预测结果和所述第一标签数据确定所述第一初始识别模型的第一损失值包括：
8、；
9、其中，loss1代表初始识别模型的第一损失值；r代表所述第一置信度；e代表自然常数；i是所述第一标签数据指示的所述训练图像中的目标的索引，m是所述第一标签数据指示的所述训练图像中的目标的数量；j是所述第一标签数据指示的所述目标的肢体部位的索引，n是所述第一标签数据指示的所述目标的肢体部位的数量；是所述训练图像中的索引为i的目标中索引为j的肢体部位的像素点的数量，是所述第一预测结果指示的所述训练图像中的索引为i的目标中索引为j的肢体部位的像素点的数量；是所述训练图像中的索引为i的目标中的躯干部位的像素点的数量；是所述第一标签数据指示的所述训练图像中的索引为i的目标中索引为j的肢体部位的评分，是所述第一预测结果指示的所述训练图像中的索引为i的目标中索引为j的肢体部位的评分；是所述第一标签数据指示的所述训练图像中的索引为i的目标的面部特征的评分，是所述第一预测结果指示的所述训练图像中的索引为i的目标的面部特征的评分。
10、在一些实施例中，所述方法还包括训练所述风格识别模型，所述训练所述风格识别模型包括：根据预存的训练图像构建第二训练数据；其中，所述训练图像对应于第二标签数据；所述第二标签数据包括第一风格向量和第二风格向量；根据所述第二标签数据确定对应的所述第二训练数据的第二置信度；输入所述第二训练数据至预先构建的第二初始识别模型，得到所述第二训练数据对应的第二预测结果；所述第二预测结果包括第一预测风格向量和第二预测风格向量；根据所述第二置信度、所述第二预测结果和所述第二标签数据确定所述第二初始识别模型的第二损失值；基于反向传播算法更新所述第二初始识别模型，直至所述第二损失值满足预设条件时，停止更新所述初始识别模型，得到训练至收敛状态的风格识别模型。
11、在一些实施例中，所述根据所述第二标签数据确定对应的所述第二训练数据的第二置信度包括：
12、；
13、其中，s代表所述第二训练数据对应的第二置信度；z是所述第二标签数据指示的所述训练图像中的目标的索引，v是所述第二标签数据指示的所述训练图像中的目标的数量；x是所述第二标签数据指示的所述第一风格向量中的维度的索引，y是所述第二标签数据指示的所述第一风格向量中的维度的数量；是所述第二标签数据指示的所述训练图像中的索引为z的目标对应的第一风格向量中索引为x的维度的数值；是所述第二预测结果指示的第二风格向量中索引为x的维度的数值。
14、在一些实施例中，所述根据所述第二置信度、所述第二预测结果和所述第二标签数据确定所述第二初始识别模型的第二损失值包括：
15、；
16、其中，loss2代表第二初始识别模型的第二损失值；s代表所述第二训练数据对应的第二置信度；e代表自然常数；z是所述第二标签数据指示的所述训练图像中的目标的索引，v是所述第二标签数据指示的所述训练图像中的目标的数量；x是所述第二标签数据指示的第一风格向量中的维度的索引，y是所述第二标签数据指示的第一风格向量中的维度的数量；是所述第二标签数据指示的所述训练图像中的索引为z的目标对应的第一风格向量中索引为x的维度的数值，是所述第二预测结果指示的所述训练图像中的索引为z的目标对应的第一预测风格向量中索引为x的维度的数值；是所述第二标签数据指示的所述第二风格向量中索引为x的维度的数值，是所述第二预测结果指示的第二预测风格向量中索引为x的维度的数值。
17、本申请实施例还提供一种虚拟目标识别装置，所述装置包括：获取模块，用于获取待识别的样本图像；特征提取模块，用于对所述样本图像进行特征提取处理，得到图像本文档来自技高网...
【技术保护点】
1.一种虚拟目标识别方法，应用于电子设备，其特征在于，所述方法包括：
2.如权利要求1所述的虚拟目标识别方法，其特征在于，所述方法还包括训练所述目标识别模型，所述训练所述目标识别模型包括：
3.如权利要求2所述的虚拟目标识别方法，其特征在于，所述根据所述第一标签数据确定对应的所述第一训练数据的第一置信度包括：
4.如权利要求2所述的虚拟目标识别方法，其特征在于，所述根据所述置信度、所述第一预测结果和所述第一标签数据确定所述第一初始识别模型的第一损失值包括：
5.如权利要求1所述的虚拟目标识别方法，其特征在于，所述方法还包括训练所述风格识别模型，所述训练所述风格识别模型包括：
6.如权利要求5所述的虚拟目标识别方法，其特征在于，所述根据所述第二标签数据确定对应的所述第二训练数据的第二置信度包括：
7.如权利要求5所述的虚拟目标识别方法，其特征在于，所述根据所述第二置信度、所述第二预测结果和所述第二标签数据确定所述第二初始识别模型的第二损失值包括：
8.一种虚拟目标识别装置，其特征在于，所述装置包括实
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的虚拟目标识别方法。
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程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的虚拟目标识别方法中的步骤。
...【技术特征摘要】
1.一种虚拟目标识别方法，应用于电子设备，其特征在于，所述方法包括：
2.如权利要求1所述的虚拟目标识别方法，其特征在于，所述方法还包括训练所述目标识别模型，所述训练所述目标识别模型包括：
3.如权利要求2所述的虚拟目标识别方法，其特征在于，所述根据所述第一标签数据确定对应的所述第一训练数据的第一置信度包括：
4.如权利要求2所述的虚拟目标识别方法，其特征在于，所述根据所述置信度、所述第一预测结果和所述第一标签数据确定所述第一初始识别模型的第一损失值包括：
5.如权利要求1所述的虚拟目标识别方法，其特征在于，所述方法还包括训练所述风格识别模型，所述训练所述风格识别模型包括：
6.如权利要求5所述的虚拟目标识别方法，其特征在于，所述根据所述第二标签...
【专利技术属性】
技术研发人员：祝发，胡清，李洋，鲁延泽，董晨晨，
申请(专利权)人：山东浪潮创新创业科技有限公司，
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。