买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：乐麦信息技术(杭州)有限公司

摘要：本发明提供一种基于机器学习的PSD文件自动还原与处理方法及系统，涉及数据处理技术领域，包括将PSD文件输入图层分类网络，提取图层细节特征和图层上下文特征，确定图层类别信息；生成图层神经束，通过迭代更新耦合系数，计算上层图层神经束的输出向量，得到图层序列表示；确定图层嵌入向量，构建图层树，通过对每个节点以及对应的子节点进行聚合，更新节点的隐藏状态，通过自下而上的递归传播，获得图层树中根节点的最终表示，确定布局信息和样式特征；提取图层属性，结合图层序列表示和布局信息，在空白画布上进行图层位置还原，将样式特征与预定义的样式库进行匹配，将匹配样式应用到还原布局画布，确定PSD还原图。

主权项：1.基于机器学习的PSD文件自动还原与处理方法，其特征在于，包括：将PSD文件输入图层分类网络，对所述PSD文件中的每个图层，通过卷积操作，提取图层细节特征和图层上下文特征，生成图层类别概率分布，选取最大概率对应的图层类别，确定图层类别信息；基于所述图层类别信息，确定对应的图层特征向量，通过全连接层的转换映射，生成图层神经束，通过迭代更新所述图层神经束之间的耦合系数，计算上层图层神经束的输出向量，得到图层序列表示；基于所述图层类别信息、所述图层序列表示以及图层对应的视觉内容，确定图层嵌入向量，构建图层树，通过对所述图层树中每个节点以及对应的子节点进行聚合，更新所述节点的隐藏状态，通过自下而上的递归传播，获得所述图层树中根节点的最终表示，确定PSD文件的布局信息和样式特征；基于所述图层类别信息，对图层进行分组和矢量化操作，提取图层属性，结合所述图层序列表示和所述布局信息，在空白画布上进行图层位置还原，得到还原布局画布，将所述样式特征与预定义的样式库进行匹配，获得匹配样式，将匹配样式应用到所述还原布局画布，确定PSD还原图；将PSD文件输入图层分类网络，对所述PSD文件中的每个图层，通过卷积操作，提取图层细节特征和图层上下文特征，生成图层类别概率分布，选取最大概率对应的图层类别，确定图层类别信息包括：将PSD文件输入图层分类网络，利用预设的PSD解析库提取图层数据，包括图像数据、位置、大小、透明度和混合模式；对每个图层数据，应用预训练的卷积神经网络，通过卷积层和池化层，提取图层细节特征，结合预先构建的图卷积网络，通过构建图层数据之间的长程依赖，以及邻居图层数据的聚合信息，捕捉图层拓扑结构和语义关系，提取图层上下文特征，将图层细节特征和图层上下文特征融合，得到图层综合表示；将图层综合表示输入到分类器中，计算图层属于预定义类别的概率，通过Softmax函数将分类器输出归一化为图层类别概率分布；基于图层类别概率分布，选取最高概率，如果最高概率大于等于预设的类别概率阈值，则所述最高概率对应的类别作为图层的预测类别，确定图层类别信息；当最高概率小于预设的类别概率阈值，设置未知类别，通过解析图层综合表示，结合人工标注，对预定义类别进行扩展；基于所述图层类别信息，确定对应的图层特征向量，通过全连接层的转换映射，生成图层神经束，通过迭代更新所述图层神经束之间的耦合系数，计算上层图层神经束的输出向量，得到图层序列表示包括：基于预设的嵌入矩阵，将每个所述图层类别信息映射到低维稠密空间，确定图层特征向量；将所述图层特征向量通过预先定义的全连接层进行线性变换，通过与所述全连接层的权重矩阵进行矩阵乘法运算，结合叠加偏置向量，映射成一组图层神经元，基于每一组图层神经元，生成图层神经束；基于所述图层神经束的上下层关系，确定上层神经束和下层神经束；按照预设的耦合系数初始值，初始化每个下层神经束和对应的上层神经束之间的耦合系数；基于每个下层神经束，通过预设的共享权重矩阵和下层神经束的下层输出向量，计算下层神经束的预测向量，基于所述预测向量，结合所述耦合系数，得到上层神经束的上层输入向量，通过Squash激活函数，计算上层神经束的上层输出向量；基于预测向量和上层输出向量计算得到的余弦相似度，计算更新耦合系数，得到新耦合系数，依次迭代，直到达到预设的迭代次数，确定最新耦合系数，计算最新上层输出向量，得到图层序列表示；基于所述图层类别信息、所述图层序列表示以及图层对应的视觉内容，确定图层嵌入向量，构建图层树，通过对所述图层树中每个节点以及对应的子节点进行聚合，更新所述节点的隐藏状态，通过自下而上的递归传播，获得所述图层树中根节点的最终表示，确定PSD文件的布局信息和样式特征包括：将所述图层类别信息、所述图层序列表示以及图层对应的视觉内容，通过预先构建的神经网络模型，编码成固定长度的图层嵌入向量；基于图层嵌入向量，确定节点的初始表示，结合根据PSD文件的层次结构，构建图层树；从图层树的叶子节点开始，递归处理每个节点，基于预先构建的图神经网络聚合当前节点以及当前节点对应的子节点，得到当前的子树特征向量，将所述子树特征向量和当前节点对应的图层嵌入向量，以及相应祖先节点的图层嵌入向量进行融合，得到融合节点表示；将所述融合节点表示作为相应节点的初始隐藏状态，使用多头注意力机制，将每个节点的初始隐藏状态和对应子节点的初始隐藏状态进行聚合，得到节点聚合隐藏状态；通过自下而上的递归传播，逐层更新所述图层树中每个节点的节点聚合隐藏状态，直到传播到根节点，确定根节点的节点聚合隐藏状态，将根节点的节点聚合隐藏状态，输入末端池化层，通过在图层树上滑动不同大小的池化窗口，提取不同粒度的子树表示，最后将所有子树表示拼接，得到PSD文件的层次化表示，包括布局信息和样式特征。

全文数据：

权利要求：

百度查询： 乐麦信息技术(杭州)有限公司 基于机器学习的PSD文件自动还原与处理方法及系统