CN114926832B 特征提取模型训练、材质贴图处理方法、装置及电子设备 （居然设计家(上海)科技有限公司）

用于表征该样本材质贴图所属的材质类型的硬签转换为与样本材质贴图的样本层级聚类结果样本层级聚类结果包括：颜色结果和/或纹理聚类结果；使用训练样本数据集训练神经网络模2将所述初始样本数据集中样本材质贴图的硬标签转换为软标签，得到训练样本数据贴图的样本层级聚类结果相关，所述样本层级聚类结果包括：颜色结果和/或纹理聚类结使用所述训练样本数据集训练神经网络模型，得到特征提取模所述样本层级聚类结果包括：基于颜色对样本材质贴图聚类得到的第一样本聚类结所述将所述初始样本数据集中样本材质贴图的硬标签转换为软标使用每个样本材质贴图，以及，每个样本材质贴图的软标签，将所述目标图像输入特征提取模型，得到所述目标图像的材质特征；根据所述目标图像的材质特征、利用所述特征提取模型提取的材中材质贴图基于颜色和纹理的层级聚类结果，获取与所述目标图像材质匹配的K个材质贴根据所述目标图像的材质特征、所述材质贴图库中每个材质贴图的3根据所述材质贴图库中材质贴图基于颜色和纹理的层级聚类结果，获取N个材质贴图按照聚类得分从大到小的顺序，获取前K个材质贴图作为与所述目标图像材质匹配的所述根据所述材质贴图库中材质贴图基于颜色和纹理的层级聚类结果，获取N个材质N个材质贴图的聚类得分。处理模块，用于将所述初始样本数据集中样本材质贴图的硬标签转换为软标4所述样本层级聚类结果包括：基于颜色对样本材质贴图聚类得到的第一样本聚类结使用每个样本材质贴图，以及，每个样本材质贴图的软标签，所述处理器执行所述存储器存储的一组计算机指令，以执行上述权利要求56[0026]根据所述材质贴图库中材质贴图基于颜色和纹理的层级聚类结果，获取N个材质[0027]按照聚类得分从大到小的顺序，获取前K个材质贴图作为与所述目标图像材质匹[0029]所述根据所述材质贴图库中材质贴图基于颜色和纹理的层级聚类结果，获取N个7[0035]可选的，所述获取与所述目标图像材质匹配的K个材质贴图之后，所述方法还包[0037]可选的，所述获取与所述目标图像材质匹配的K个材质贴图之后，所述方法还包[0045]处理模块，用于将所述初始样本数据集中样本材质贴图与所述目标图像材质匹配的K个材质贴图；所述特征提取模型为采用如第一方面任一项所8处理器执行时实现第一方面或第二方面任一项9[0085]考虑到现有的材质贴图处理方法存在上述问题的原因是需要依赖于用户对众多贴图处理系统除了可以用于提供材质贴图处理服务，是否还可以提供其他服务(例如前述口(applicationprograminterface，API)或者图形用户界面(GraphicalUser[0091]材质贴图处理系统也可以单独部署在任意环境中的一个电子设备上(例如：单独部署在边缘环境的一个边缘服务器上)。图3d为部署有材质贴图处理系统的电子设备10的用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)，图形处理器请的材质贴图处理系统的功能可以通过处理器12中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器12还可以是通用处理器、数字信号处理器(digitalsignal征该第1类样本材质贴图所属的材质类型为第1于第2类材质类型的概率为10属于第3类材质类型的概率为5属于第4类材质类型的本材质贴图聚类得到的第二样本聚类结果均可以作为样本层级聚类结果的一级样本聚类[0119]应理解，本申请对电子设备如何使用上述训练样本数据集进行神经网络模型训类结果，使得软标签所表示的样本材质贴图所属各材质类型的概率与人的美术直觉一致，[0121]下面对电子设备如何将初始样本数据集中样本材质贴图[0128]作为第一种可能的实现方式，图5为本申请提供的一种获取样本材质贴图的软标中所示的第5类样本材质贴图对应的软标签概率分配方式不同于第1-4类，第5类样本材质样本聚类结果确定与第1类样本材质贴图的颜色相同的样本材质贴图为第2类样本材质贴图，根据第二样本聚类结果确定与第1类样本材质贴图的纹理相同的样本材质贴图为第2本聚类结果可以确定与第1类样本材质贴图的颜色相同的样本材质贴图为第2类样本材质贴图，则电子设备可以根据前述预设的软标签概率分配方式调整第1类样本材质贴图的初聚类结果所表示的与第i类样本材质贴图的纹理相同的Y类样本材质贴图。其中Y为大于或据预设的软标签概率分配方式调整第1类样本材质贴图的第一软标签中属于第2类材质类聚类结果所表示的与第i类样本材质贴图的颜色和纹理均相同的Z类样本材质贴图。其中Z质贴图的颜色和纹理均相同的样本材质贴图为第2类样本材质贴图，则电子设备可以根据预设的软标签概率分配方式调整第1类样本材质贴图的第二软标签中属于第2类材质类型设的软标签概率分配方式为：将第二软标签中样本材质贴图属于第1类材质类型的概率减的分类操作，将颜色相同的各材质类型的样本材质贴图在第一样本聚类结果中作为一类，[0157]然后，电子设备可以接收用户输入的该第一样本聚类结果和第二样本聚类结的样本材质贴图不仅与材质类型2的样本材质贴图在第一样本聚类结果的同一文件夹中，还与材质类型2的样本材质贴图在第二样本聚类结果的同一文件夹中，则电子设备可以确一个训练批次的样本材质贴图的个数。Predictj表示神经网络模型预测的第j个样本材质[0174]在一些实施例中，该目标图像还可以为经过例如图像增[0175]可选的，材质贴图处理系统例如可以通过API或者GUI等接收用户输入的目标图和纹理对材质贴图聚类得到的第三聚类结果，可以作为层级聚类结果中的二级聚类结果。[0186]图9为本申请提供的一种目标图像材质匹配的K个材质贴图的方法的流程示意[0193]该N个材质贴图的聚类得分，是基于材质贴图库中材质贴图基于颜色和纹理的层前N个材质贴图。通过上述方法，使得材质贴图处理系统不需计算所有材质贴图的聚类得后，材质贴图处理系统可以根据材质贴图库中材质贴图基于颜色和纹理的层级聚类结果，[0203]示例性的，材质贴图处理系统可以将在相似度由大到小排序中第r个材质贴图的[0205]示例性的，根据上述第一聚类结果，材质贴图处理系统可以从上述N个材质贴图一材质贴图，材质贴图处理系统可以将该颜色相同的多个材质贴图的初始聚类得分的和，[0208]示例性的，根据上述第二聚类结果，材质贴图处理系统可以从上述N个材质贴图一材质贴图，材质贴图处理系统可以将该纹理相同的多个材质贴图的初始聚类得分的和，[0211]示例性的，根据上述第三聚类结果，材质贴图处理系统可以从上述N个材质贴图应的权重例如可以为用户预先存储在该材质贴图处理系统中的。用户可以根据自身需求，则用户可以调大第一聚类得分对应的权重，以提高材质贴图处理系统确定的K个材质贴图户可以调大第二聚类得分对应的权重，以提高材质贴图处理系统确定的K个材质贴图在纹[0223]作为一种可能的实现方式，材质贴图处理系统在获取与目标图像材质匹配的K个[0227]可选的，材质贴图处理系统例如可以将上述K个材质贴图中聚类得分最高的材质[0231]在本实施例中，通过从该K个材质贴图中确定出的目标材质贴图对目标对象的模N个材质贴图的第三聚类得分。型.[0244]下述表4为本申请为测试本申请提供的材质贴图处理方法的准确率，进行的实验3.396.89练神经网络模型得到特征提取模型的准确性，高于基础模型(例如未基于软标签进行模型[0251]处理模块52，用于将所述初始样本数据集中样本材质贴图的硬标签转换为软标[0267]本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U处理器执行该执行指令使得电子