游戏模型动作的生成方法、装置及电子终端
阅读：277发布：2020-05-14
专利汇可以提供游戏模型动作的生成方法、装置及电子终端专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种游戏模型动作的生成方法、装置及 电子 终端，涉及游戏 数据处理 的技术领域；通过构建生成式对抗网络和 强化学习 网络模型组成动作学习系统，将采集的真实物体执行动作的真实图像数据与游戏模型执行动作的模型图像数据作为训练集，训练生成式对抗网络；并基于训练好的生成式对抗网络训练强化学习网络模型，使强化学习网络模型控制游戏模型执行动作，达到游戏动作更加真实、节省开发时间的效果。，下面是游戏模型动作的生成方法、装置及电子终端专利的具体信息内容。
1.一种游戏模型动作的生成方法，其特征在于，包括：
获取真实物体执行动作的第一真实图像数据和游戏模型执行动作的第一模型图像数据；
使用所述第一真实图像数据和所述第一模型图像数据，对生成式对抗网络进行训练；
基于训练好的生成式对抗网络训练强化学习网络模型，所述强化学习网络模型用于控制游戏模型执行动作。
2.根据权利要求1所述的游戏模型动作的生成方法，其特征在于，
基于训练好的生成式对抗网络训练强化学习网络模型，所述强化学习网络模型用于控制游戏模型执行动作的步骤，包括：
使用所述强化学习网络模型控制所述游戏模型执行动作；
重复执行如下步骤，直至训练好的生成式对抗网络的判别结果符合预期，确定训练好的强化学习网络模型：
获取所述游戏模型执行动作的第二模型图像数据；
使用所述训练好的生成式对抗网络对所述第二模型图像数据进行判别；
如果所述判别结果不符合预期，优化强化学习网络模型；
使用优化后的所述强化学习网络模型控制所述游戏模型执行所述动作。
3.根据权利要求1所述的游戏模型动作的生成方法，其特征在于，
所述第一真实图像，包括采集设备采集真实人物、动物在单个动作时间内指定帧数的三视图；
所述第一模型图像，包括采集设备采集所述游戏模型在单个动作时间内指定帧数的三视图。
4.根据权利要求1所述的游戏模型动作的生成方法，其特征在于，
所述第一真实图像和所述第一模型图像经过数据清洗分别得到所述第一真实图像数据和所述第一模型图像数据；所述数据清洗包括：
将所述第一模型图像和所述第一真实图像裁剪至指定尺寸；
采用灰度算法和浮雕算法剔除所述第一模型图像和所述第一真实图像的干扰信息；
分别拼接所述第一模型图像和所述第一真实图像的三视图，获得所述第一模型图像数据和所述第一真实图像数据。
5.根据权利要求2所述的游戏模型动作的生成方法，其特征在于，
所述训练好的生成对抗式网络包括：所述生成式对抗网络判断所述第一真实图像数据的正确率达到第一阈值；
所述训练好的生成式对抗网络的判别结果符合预期，包括：所述生成式对抗网络判断所述第二模型图像数据的正确率低于第二阈值；
所述第一阈值高于所述第二阈值。
6.一种游戏模型动作的生成装置，其特征在于，包括：
第一获取模块，用于获取真实物体执行动作的第一真实图像数据和游戏模型执行动作的第一模型图像数据；
第一训练模块，用于使用所述第一真实图像数据和所述第一模型图像数据，对生成式对抗网络进行训练；
第二训练模块，用于基于训练好的生成式对抗网络训练强化学习网络模型。
7.根据权利要求6所述的游戏模型动作的生成装置，其特征在于，还包括：
控制模块，用于控制游戏模型执行动作；
第二获取模块，用于获取所述游戏模型执行动作的第二模型图像数据；
判别模块，使用所述训练好的生成式对抗网络对所述第二模型图像数据进行判别。
8.根据权利要求6所述的游戏模型动作的生成装置，其特征在于，所述第一获取模块包括：采集模块和数据清洗模块；
所述采集模块，用于采集游戏模型动作图像和真实物体执行动作图像；
所述数据清洗模块，用于对所述第一模型图像和所述第一真实图像进行处理，以供所述第一获取模块获取所述第一模型图像数据和所述第一真实图像数据。
9.一种电子终端，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
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存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至5任一项所述的方法。
游戏模型动作的生成方法、装置及电子终端
技术领域
背景技术
[0002] 在三维游戏的制作过程中，游戏模型会产生各类动作，为了使游戏中的模型产生动作，一般通过在游戏模型上绑定对应骨骼，再操作骨骼移动带动游戏模型，从而生成各类动作。在同样的模型下，游戏模型动作的真实程度会使游戏品质产生极大的变化。
[0003] 目前，通常采用在人体或动物关节部位绑定跟踪器，由特定的软件系统捕捉跟踪器位置，再通过计算机处理绑定到游戏模型的骨骼坐标，从而实现模型的动作制作；而由于绑定跟踪器在某些动物或水生动物身上并不容易实现，因此只能通过游戏动画师用软件逐步调整每个骨骼的角度，从而对这些动物的动作进行模仿。这种方法往往会产生大量开发的耗时，而且生成的动作在外部干扰下并不会做出该有的反应，只会做出相同的动作，使游戏真实度下降。
发明内容
[0004] 有鉴于此，本发明的目的在于提供一种游戏模型动作的生成方法和装置，以解决现有技术中存在的问题。
[0005] 第一方面，本实施例提供了一种游戏模型动作的生成方法，包括：
[0006] 获取真实物体执行动作的第一真实图像数据和游戏模型执行动作的第一模型图像数据；
[0007] 使用所述第一真实图像数据和所述第一模型图像数据，对生成式对抗网络进行训练；
[0008] 基于训练好的生成式对抗网络训练强化学习网络模型，所述强化学习网络模型用于控制游戏模型执行动作。
[0009] 在一种可选的实施方式中，基于训练好的生成式对抗网络训练强化学习网络模型，所述强化学习网络模型用于控制游戏模型执行动作的步骤，包括：
[0010] 使用所述强化学习网络模型控制所述游戏模型执行动作；
[0011] 重复执行如下步骤，直至训练好的生成式对抗网络的判别结果符合预期，确定训练好的强化学习网络模型：
[0012] 获取所述游戏模型执行动作的第二模型图像数据；
[0013] 使用所述训练好的生成式对抗网络对所述第二模型图像数据进行判别；
[0014] 如果所述判别结果不符合预期，优化强化学习网络模型；
[0015] 使用优化后的所述强化学习网络模型控制所述游戏模型执行所述动作。
[0017] 所述第一模型图像，由采集设备采集所述游戏模型在单个动作时间内特定帧数的三视图所得。
[0018] 在一种可选的实施方式中，所述第一真实图像和所述第一模型图像经过数据清洗分别得到所述第一真实图像数据和所述第一模型图像数据；所述数据清洗包括：
[0021] 分别拼接所述第一模型图像和所述第一真实图像的三视图，获得所述第一模型图像数据和所述第一真实图像数据。
[0022] 在一种可选的实施方式中，使用所述训练好的生成式对抗网络对所述第二模型图像数据进行判别，如果所述判别结果符合预期，指所述生成式对抗网络判断所述第一真实图像数据的正确率达到第一阈值，且所述第二模型图像数据的正确率低于第二阈值；所述第一阈值高于所述第二阈值。
[0023] 本实施例提供的游戏模型动作的生成方法，通过构建生成式对抗网络和强化学习网络模型组成动作学习系统，将采集设备采集的真实物体执行动作的真实图像数据与游戏模型执行动作的模型图像数据作为训练集，不断训练生成式对抗网络和强化学习网络模型，使强化学习网络模型控制游戏模型执行动作，达到游戏动作更加真实、节省开发时间的效果。
[0024] 第二方面，本实施例提供了一种游戏模型动作的生成装置，包括：
[0025] 第一获取模块，用于获取真实物体执行动作的第一真实图像数据和游戏模型执行动作的第一模型图像数据；
[0026] 第一训练模块，用于使用所述第一真实图像数据和所述第一模型图像数据，对生成式对抗网络进行训练；
[0027] 第二训练模块，用于基于训练好的生成式对抗网络训练强化学习网络模型。
[0028] 在一种可选的实施方式中，还包括：
[0029] 控制模块，用于控制游戏模型执行动作；
[0030] 第二获取模块，用于获取所述游戏模型执行动作的第二模型图像数据；
[0031] 判别模块，使用所述训练好的生成式对抗网络对所述第二模型图像数据进行判别。
[0032] 在一种可选的实施方式中，所述第一获取模块包括：采集模块和数据清洗模块；
[0033] 所述采集模块，用于采集游戏模型动作图像和真实物体执行动作图像；
[0034] 所述数据清洗模块，用于对所述第一模型图像和所述第一真实图像进行处理，以供所述第一获取模块获取所述第一模型图像数据和所述第一真实图像数据。
[0036] 第四方面，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述第一方面中所述的方法。
[0037] 本实施例提供的游戏模型动作的生成方法、装置以及电子终端，通过构建生成式对抗网络和强化学习网络模型组成动作学习系统，将采集设备采集的真实物体执行动作的真实图像数据与游戏模型执行动作的模型图像数据作为训练集，不断训练生成式对抗网络和强化学习网络模型，使强化学习网络模型控制游戏模型执行动作，达到游戏动作更加真实、节省开发时间的效果。附图说明
[0038] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039] 图1为本发明实施例提供的一种游戏模型动作的生成方法流程图；
[0040] 图2为本发明实施例提供的另一种游戏模型动作的生成方法流程图；
[0041] 图3为本发明实施例提供的一种游戏模型动作的生成装置组成框图；
[0042] 图4为本发明实施例提供的另一种游戏模型动作的生成装置组成框图；
[0043] 图5为本发明实施例提供的另一种游戏模型动作的生成装置组成框图。
具体实施方式
[0044] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045] 本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0046] 目前，在三维游戏的制作过程中，通常采用在人体或动物关节部位绑定跟踪器，由特定的软件系统捕捉跟踪器位置，再通过计算机处理绑定到游戏模型的骨骼坐标，从而实现模型的动作制作；而由于绑定跟踪器在某些动物或水生动物身上并不容易实现，因此只能通过游戏动画师用软件逐步调整每个骨骼的角度，从而对这些动物的动作进行模仿。这种方法往往会产生大量开发的耗时，而且生成的动作在外部干扰下并不会做出该有的反应，只会做出相同的动作，使游戏真实度下降。
[0047] 基于此，本申请实施例提供了一种游戏模型动作的生成方法、装置以及电子终端，以解决现有技术中存在的问题。为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
[0048] 结合第一方面，本申请实施例提供了一种游戏模型动作的生成方法，包括：
[0049] 获取真实物体执行动作的第一真实图像数据和游戏模型执行动作的第一模型图像数据；使用第一真实图像数据和第一模型图像数据，对生成式对抗网络进行训练；基于训练好的生成式对抗网络训练强化学习网络模型，所述强化学习网络模型用于控制游戏模型执行动作。
[0050] 结合图1所示的具体实施方式提供的游戏模型动作的生成方法，包括以下步骤：
[0051] S101，获取第一真实图像数据和第一模型图像数据；
[0052] S102，训练生成式对抗网络；
[0053] S103，基于训练好的生成式对抗网络训练强化学习网络模型。
[0054] 对于S101，第一真实图像数据表示真实物体执行动作的第一真实图像数据；第一模型图像数据表示游戏模型执行动作的第一模型图像数据。
[0055] 在一些实施方式中，真实物体包括真实人物、动物；获取真实物体执行动作的第一真实图像数据包括获取第一真实图像；即，使用采集设备采集真实人物、动物执行动作时的视频图像，并且捕捉其在单个动作时间内特定帧数的三视图。其中采集设备可以是摄像机等可以实时采集视频的设备；特定帧数可以根据动作的复杂度进行选择，例如选择比较通用的捕捉时间4帧，便于后续对模型的训练。第一真实图像经过数据清洗得到第一真实图像数据，在一些实施方式中，数据清洗包括：将第一真实图像裁剪至指定尺寸；采用灰度算法和浮雕算法剔除第一真实图像的干扰信息；拼接第一真实图像的三视图，获得第一真实图像数据。
[0056] 在一些实施方式中，游戏模型包括三维游戏中的人物、动物模型；获取游戏模型执行动作的第一模型图像数据包括获取第一模型图像；即，使用采集设备采集游戏中的人物、动物模型执行动作时的视频图像，并且捕捉其在单个动作时间内特定帧数的三视图。其中采集设备可以是摄像机等可以实时采集视频的设备；特定帧数可以根据动作的复杂度进行选择，例如选择比较通用的捕捉时间4帧，便于后续对模型的训练。第一模型图像经过数据清洗得到第一模型图像数据，在一些实施方式中，数据清洗包括：将第一模型图像裁剪至指定尺寸；采用灰度算法和浮雕算法剔除第一模型图像的干扰信息；拼接第一模型图像的三视图，获得第一模型图像数据。
[0057] 对于S102，训练生成式对抗网络包括，将第一真实图像数据和第一模型图像数据作为训练集输入建立好的生成式对抗网络进行判别；训练好的生成式对抗网络包括，使生成式对抗网络判别第一真实图像数据的正确率达到第一阈值，则生成式对抗网络训练完成。其中第一阈值可根据模型自行调整，比如在一种实施方式中，生成式对抗网络判别的正确率达到90％，则训练完成。
[0058] 对于S103，基于训练好的生成式对抗网络训练强化学习网络模型，强化学习网络模型用于控制游戏模型执行动作，包括如图2所示的以下步骤：
[0059] S201，使用强化学习网络模型控制游戏模型执行动作；
[0060] S202，获取游戏模型执行动作的第二模型图像数据；
[0061] S203，使用训练好的生成式对抗网络对第二模型图像数据进行判别；
[0062] S204，确定训练好的强化学习网络模型；
[0063] S205，更新强化学习网络模型参数。
[0064] 对于步骤S203，如果判别结果不符合预期，执行S205，将强化学习网络模型进行更新后，重复执行S201，继续优化强化学习网络模型，直至训练好的生成式对抗网络的判别结果符合预期，使用优化后的强化学习网络模型控制游戏模型执行动作。
[0065] 在一些实施方式中，强化学习网络模型接收游戏模型关节角度的输入，并输出数据控制游戏模型执行动作。获取游戏模型执行动作的第二模型图像数据包括获取第二模型图像；其中，第二模型图像包括强化学习网络模型输出数据控制游戏模型执行动作的图像。第二模型图像经过数据清洗得到第二模型图像数据。
[0066] 使用训练好的生成式对抗网络对第二模型图像数据进行判别，包括：生成式对抗网络对输入的第二模型图像数据进行判断，如果训练好的生成式对抗网络的判别结果符合预期，即生成式对抗网络判断第二模型图像数据的正确率不超过第二阈值时，训练结束，使用训练好的强化学习网络模型控制游戏模型执行动作；如果判别结果不符合预期，即生成式对抗网络判断第二模型图像数据的正确率高于第二阈值时，重复执行获取第二模型图像数据，并使用训练好的生成式对抗网络对第二模型图像数据进行判别，直至判别结果符合预期，最后使用优化后的强化学习网络模型控制游戏模型执行动作。
[0067] 例如，在一些实施方式中，第二阈值为50％。将强化学习网络模型输出的数据作为第二模型图像数据，输入生成式对抗网络；如果生成式对抗网络判断第二模型图像数据的正确率不超过50％，表示生成式对抗网络无法准确判断出强化学习网络模型输出的数据是真实数据还是模型数据，则训练结束，使用训练好的强化学习网络模型控制游戏模型执行动作；如果生成式对抗网络判断第二模型图像数据的正确率高于50％，表示生成式对抗网络可以在一定程度上判断出强化学习网络模型输出的数据是真实数据还是模型数据，并且判断的正确率高于50％，则继续优化强化学习网络模型，直至生成式对抗网络的判别结果符合预期。
[0068] 结合第二方面，本申请实施例提供了一种游戏模型动作的生成装置，包括：第一获取模块，用于获取真实物体执行动作的第一真实图像数据和游戏模型执行动作的第一模型图像数据；第一训练模块，用于使用所述第一真实图像数据和所述第一模型图像数据，对生成式对抗网络进行训练；第二训练模块，用于基于训练好的生成式对抗网络训练强化学习网络模型。
[0069] 如图3所示的具体实施方式中，第一获取模块301包括采集模块和数据清洗模块；采集模块用于采集游戏模型动作图像和真实物体执行动作图像，分别作为第一模型图像和第一真实图像；数据清洗模块用于对第一模型图像和第一真实图像进行处理，从而获得第一模型图像数据和第一真实图像数据。
[0070] 在一些实施方式中，采集模块可以采集真实物体在单个动作时间内4帧的三视图作为第一真实图像；第一真实图像经过数据清洗模块的处理，得到第一真实图像数据。在一些实施方式中，数据清洗模块包括，将第一真实图像裁剪至指定尺寸；采用灰度算法和浮雕算法剔除第一真实图像的干扰信息；拼接第一真实图像的三视图，获得第一真实图像数据。
[0071] 第一训练模块302，用于对生成式对抗网络进行训练；将第一真实图像数据和第一模型图像数据作为训练集输入建立好的生成式对抗网络进行判别；当生成式对抗网络判别第一真实图像数据的正确率达到第一阈值时，训练完成。
[0072] 在一些实施方式中，如图4和图5所示，游戏模型动作的生成装置还包括：控制模块304，用于控制游戏模型执行动作；第二获取模块305，用于获取所述游戏模型执行动作的第二模型图像数据；判别模块306，使用所述训练好的生成式对抗网络对所述第二模型图像数据进行判别。
[0073] 在一些实施方式中，控制模块304接收游戏模型关节角度的输入，并输出数据控制游戏模型执行动作。第二获取模块305包括采集模块和数据清洗模块307；采集模块用于采集控制模块输出数据控制游戏模型执行动作的图像，作为第二模型图像；数据清洗模块用于对第二模型图像进行处理，从而获得第二模型图像数据。
[0074] 判别模块306用于对输入的第二模型图像数据进行判断，如果判别结果符合预期，即生成式对抗网络判断第二模型图像数据的正确率不超过第二阈值时，第二训练模块303结束训练，控制模块使用训练好的强化学习网络模型控制游戏模型执行动作；如果判别结果不符合预期，即判断第二模型图像数据的正确率高于第二阈值时，第二获取模块305重复执行获取第二模型图像数据，并使用判别模块对第二模型图像数据再次进行判别，直至判别结果符合预期，第二训练模块303结束训练，最后控制模块使用优化后的强化学习网络模型控制游戏模型执行动作。
[0075] 本申请实施例提供的游戏模型动作的生成装置，与上述实施例提供的游戏模型动作的生成方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0076] 结合第三方面，对应于上述游戏模型动作的生成方法，本申请实施例还提供了一种电子终端，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述游戏模型动作的生成方法的步骤。
[0077] 结合第四方面，对应于上述游戏模型动作的生成方法，本申请实施例还提供了一种计算机可读存储介质，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运行时执行上述游戏模型动作的生成方法的步骤。
[0078] 本申请实施例所提供的游戏模型动作的生成装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
[0079] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0080] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0081] 另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0082] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述移动控制方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0083] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0084] 最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于多智能体Q学习的车载通信MAC层信道接入方法 | 2020-05-12 | 355 |
| 一种城市快速路智慧交通管控方法和系统 | 2020-05-13 | 25 |
| 一种基于强化学习的泊车路径规划方法 | 2020-05-08 | 724 |
| 一种作业推送的方法、系统、设备和存储介质 | 2020-05-11 | 968 |
| 一种基于奖励重塑强化学习的飞行器智能引导方法 | 2020-05-14 | 896 |
| 一种基于λ-回报的异策略多智能体强化学习协作方法 | 2020-05-11 | 375 |
| 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法 | 2020-05-12 | 739 |
| 一种IP-光网络通信业务联合分配方法及装置 | 2020-05-08 | 579 |
| 视频摘要模型的训练方法、视频摘要生成方法及装置 | 2020-05-13 | 605 |
| 一种基于奖励反馈的智能蜜罐系统 | 2020-05-11 | 212 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈