[发明专利]一种基于深度学习的珠宝图片美化算法

权利要求书

1.一种基于深度学习的珠宝图片美化算法，其特征在于，包括如下步骤：

步骤S01、数据收集：从网络上收集大量珠宝实物图和大量美化珠宝实物图；

步骤S02、数据标定：随机从收集的珠宝实物图中抽取若干张实物图进行美化处理，形成相互对应的标定图片；

步骤S03、搭建网络模型：将珠宝实物图、美化珠宝实物图和标定图片输入模型进行训练；

步骤S04、定义损失函数：计算每次训练迭代的损失函数，获取最优模型；

步骤S05、训练图片：将实物图、美化图、标注图片输入输入模型获取最优模型；

其中，步骤S03中，模型包括美化网络和判别网络；所述美化网络为一23层卷积神经网络；所述美化网络中卷积主要分为步长为2，核为3*3的卷积、步长为1，核为3*3的卷积和步长为1/2，核为3*3的卷积。

2.根据权利要求1所述的一种基于深度学习的珠宝图片美化算法，其特征在于，所述步骤S04中，输入图片时损失函数分为三类：

(1)当输入为标注的图片时，损失函数为：

(2)当输入图片为未标注的实物图示，损失函数为：

(3)当输入图片为未标注的美化图时，损失函数为：

其中，x为实物图，y为美化图，y^*为标注的美化图，ρ_y为y的真实分布函数，ρ_x,y为x，y的联合分布函数，S为美化网络，D为判别网络，L(S(x),y^*)＝||S(x)-y^*||²，α，β为权重且α＝β＝8×10^-5。

3.根据权利要求1所述的一种基于深度学习的珠宝图片美化算法，其特征在于，所述步骤S03中，美化网络第一层采用核为5*5的卷积，零填充为2*2的卷积，最后一层使用sigmoid激活函数，其余美化网络均采用1*1的零填充和ReLU激活函数。

4.根据权利要求1所述的一种基于深度学习的珠宝图片美化算法，其特征在于，所述步骤S03中，判别网络为一7层卷积神经网络且最后一层为全连接层；所述判别网络第一层使用5*5的卷积，其他层使用核为3*3的卷积，且后两个卷基层，每层均加入50％的dropout层，全连接层使用sigmoid激活函数，其它层使用ReLU激活函数。

5.根据权利要求1所述的一种基于深度学习的珠宝图片美化算法，其特征在于，每次训练迭代的损失函数为输入图片时三类损失函数之和，即

6.根据权利要求1所述的一种基于深度学习的珠宝图片美化算法，其特征在于，所述步骤S05中，在图片训练之后，在所有的卷基层之后使用batch normalization层，优化使用ADADELTA算法。