CN115495712B - 数字作品处理方法及装置 - Google Patents

Abstract

本说明书实施例提供了数字作品处理方法及装置，其中，一种数字作品处理方法包括：将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；将所述拼接特征进行特征降维处理，获得降维特征；计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

Description

数字作品处理方法及装置

技术领域

本文件涉及虚拟化技术领域，尤其涉及一种数字作品处理方法及装置。

背景技术

虚拟世界提供了对真实世界的模拟，甚至能够提供在真实世界难以实现的场景，因此虚拟世界越来越多地应用在各种场景。在虚拟世界场景中，用户通过特定的身份ID登录三维虚拟世界，通过虚拟世界中虚拟的用户角色进行活动，通常，在虚拟世界中存在不同的用户角色，这些用户角色各自进行不同的活动。

发明内容

本说明书一个或多个实施例提供了一种数字作品处理方法，包括：将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。对所述显著特征和所述数据特征进行特征拼接，获得拼接特征。将所述拼接特征进行特征降维处理，获得降维特征。计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

本说明书一个或多个实施例提供了一种数字作品处理装置，包括：特征提取模块，被配置为将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。特征拼接模块，被配置为对所述显著特征和所述数据特征进行特征拼接，获得拼接特征。特征降维处理模块，被配置为将所述拼接特征进行特征降维处理，获得降维特征。侵权检测模块，被配置为计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

本说明书一个或多个实施例提供了一种数字作品处理设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。对所述显著特征和所述数据特征进行特征拼接，获得拼接特征。将所述拼接特征进行特征降维处理，获得降维特征。计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。对所述显著特征和所述数据特征进行特征拼接，获得拼接特征。将所述拼接特征进行特征降维处理，获得降维特征。计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本说明书一个或多个实施例提供的一种数字作品处理方法处理流程图；

图2为本说明书一个或多个实施例提供的一种应用于数字藏品场景的数字作品处理方法处理流程图；

图3为本说明书一个或多个实施例提供的一种数字作品处理装置示意图；

图4为本说明书一个或多个实施例提供的一种数字作品处理设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。

本说明书提供的一种数字作品处理方法实施例：

本申请提供的数字作品处理方法，一方面从虚拟世界内的数字作品的作品数据出发，提取数字作品在显著特征这一维度的显著特征，另一方面从作品数据出发提取数字作品在数据特征这一维度的数据特征，并通过将显著特征和数据特征进行拼接来提升数字作品的特征全面性；进一步将拼接特征进行降维处理，来降低后续基于降维特征与数字作品库中的候选数字作品的降维特征的特征相似度的计算难度，提升特征相似度计算效率，从而能够对虚拟世界中的数字作品实现高效的侵权检测，对虚拟世界的数字作品的原创保护提供支持。

参照图1，本实施例提供的数字作品处理方法，所述方法具体包括步骤S102至步骤S108。

步骤S102，将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。

本实施例所述虚拟世界，是指基于去中心化协作实现并且具有开放经济系统的虚拟的拟真世界，可选的，所述虚拟世界中通过生成非同质化标识占有虚拟资产的所有权，具体的，真实世界中的用户可通过接入设备接入虚拟世界。所述虚拟世界的接入设备，可以是连接虚拟世界的VR(Virtual Reality，虚拟现实)设备、AR(Augmented Reality，增强现实)设备等，比如连接虚拟世界的头戴式VR设备。

所述数字作品，是指使用区块链技术，对应特定的数字藏品(包括但不限于数字图片、音乐、视频、3D模型、电子票证、数字纪念品等各种形式)生成的唯一数字凭证，在保护其数字版权的基础上，实现真实可信的数字化发行、购买、收藏和使用。

可选的，所述数字作品，包括下述至少一项：数字藏品、虚拟衣物以及虚拟建筑。

本实施例所述显著特征，是指在视觉或者思维角度出发对数字作品的明显特征的定义获得的显著性特征，该显著特征可以是主观特征，比如表征色彩鲜艳程度的特征(色彩鲜艳度特征)、表征抽象程度的特征、表征可记忆程度的特征。所述数据特征，是指从数字作品的数据层面出发对数字作品的本征特征的定义获得的数据特征，该数据特征可以是客观特征，比如颜色特征、大小特征、形状特征、外观特征。

本实施例中，一方面从数字作品的显著特征这一维度进行数据采集，即：从“主观”维度采集主观数据，另一方面从数字作品的数据特征这一维度进行数据采集，即：从“客观”维度采集客观数据，通过显著特征和数据特征两个角度的数据采集，来增强对虚拟世界中数字作品数据采集的全面性，从而能够针对数字作品实现高效的侵权检测，实现对虚拟世界的数字作品的原创保护提供支持。

具体实施时，在基于所述显著特征提取模型进行特征提取的过程中，通过将作品数据输入特征提取模型，实现对显著特征的提取，本实施例提供的一种可选方式中，所述显著特征提取模型具体采用如下方式进行显著特征提取：

将所述作品数据输入所述显著特征提取模型的编码器进行显著特征提取，获得所述显著特征。

其中，所述编码器用于对所述作品数据进行显著特征提取获得显著特征，在具体进行显著特征提取的场景中，所述显著特征通过将作品数据输入显著特征提取模型的编码器进行提取。例如，通过显著特征提取器的内容编码器提取数字藏品的色彩鲜艳程度特征。

可选的，所述显著特征提取模型包括：编码器、预测器和回归器；其中，所述预测器用于对显著特征进行分数预测获得预测显著分数，所述回归器用于将显著特征进行图谱预测获得预测显著图谱。

实际应用中，所述显著特征提取模型的训练可以预先完成，比如在云服务器上进行显著特征提取模型的模型训练，也可以在线下进行显著特征提取模型的模型训练；在模型训练过程中，为了提升显著特征模型的训练效率，同时也为了降低训练样本的收集难度、减少模型训练的工作量，本实施例提供的一种可选实施方式中，所述显著特征提取模型，采用如下方式训练获得：

将数字作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征；

根据预测显著分数和所述数字作品样本对应的标记分数计算显著损失，以及，根据预测显著图谱和所述数字作品样本对应的标记图谱计算图谱损失；

根据所述显著损失和所述图谱损失对所述编码器进行参数调整；

可选的，所述预测显著分数通过将所述样本显著特征输入预测器进行显著分数预测获得；所述预测显著图谱通过将所述样本显著特征输入回归器进行显著分数预测获得。

参见上述模型训练方式，重复上述训练过程对第一待训练模型进行训练，并借助预测器及回归器对编码器进行调参，直至损失函数收敛，则在损失函数收敛后完成训练，并将完成训练时的第一待训练模型作为所述显著特征模型。

除上述提供的借助预测器以及回归器对第一待训练模型的编码器进行训练，以此在损失函数收敛之后获得显著特征模型的实现方式之外，还可采用下述提供的两种训练方式中任意一种进行模型训练获得所述显著特征提取模型：

将作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征，根据样本显著特征和预先标记的样本标签计算损失，根据该损失对所述编码器进行参数调整；

或者，将数字作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征；将所述样本显著特征输入所述第一待训练模型的预测器进行显著分数预测，获得预测显著分数，以及，将所述样本显著特征输入所述第一待训练模型的回归器进行显著分数预测，获得预测显著图谱；根据所述预测显著分数和所述数字作品样本对应的标记分数计算显著损失，以及，根据预测显著图谱和所述数字作品样本对应的标记图谱计算图谱损失；根据所述显著损失和所述图谱损失对所述编码器进行参数调整。

具体实施时，在基于所述数据特征提取模型进行特征提取的过程中，通过将作品数据输入特征提取模型，实现对数据特征的提取，本实施例提供的一种可选方式中，所述数据特征提取模型采用如下方式进行数据特征提取：

将所述作品数据输入所述数据特征提取模型的编码器进行数据特征提取，获得所述数据特征。

其中，所述编码器用于对所述作品数据进行数据特征提取获得数据特征，在具体进行数据特征提取的场景中，所述数据特征通过将作品数据输入数据特征提取模型的编码器进行提取。例如，通过数据特征提取器的内容编码器提取虚拟建筑的外观特征。

可选的，所述数据特征提取模型包括：编码器和映射器；其中，映射器用于对数据特征进行映射获得映射特征。

与上述提供的显著特征提取模型相类似，所述数据特征提取模型的训练也可预先完成，比如在云服务器上进行数据特征提取模型的模型训练，也可以在线下进行数据特征提取模型的模型训练；在模型训练过程中，为了提升数据特征模型的训练效率，同时也为了降低训练样本的收集难度、减少模型训练的工作量，本实施例提供的一种可选实施方式中，所述数据特征提取模型，采用如下方式训练获得：

将数字作品样本对的样本数据输入第二待训练模型的编码器进行数据特征提取，获得数据特征对；

将所述数据特征对输入特征映射器进行特征映射处理，获得映射特征对；

根据所述数据特征对和所述映射特征对计算对比损失，并根据所述对比损失对所述编码器进行参数调整。

参见上述模型训练方式，重复上述训练过程对第二待训练模型进行训练，并借助映射器对编码器进行调参，直至损失函数收敛，则在损失函数收敛后完成训练，并将完成训练时的第二待训练模型作为所述数据特征模型。

进一步，本实施例提供的一种可选实施方式中，所述根据数据特征对和映射特征对计算对比损失，包括：

计算所述数据特征对中第一样本对应的第一数据特征与所述映射特征对中第二样本对应的第二映射特征的第一特征相似度，以及，计算所述数据特征对中第二样本对应的第二数据特征与所述映射特征对中第一样本对应的第一映射特征的第二特征相似度；

计算第一特征相似度与第二特征相似度之和作为对比损失。

其中，在数据特征模型的训练过程，所述损失函数可为：

其中，为第一样本对应的数据特征，/>为第一样本对应的映射特征，/>为第二样本对应的映射特征、/>为第二样本对应的数据特征，/>表示对第一样本对应的数据特征和第二样本对应的映射特征求对比损失，/>表示对第一样本对应的映射特征和第二样本对应的数据特征求对比损失。通过该损失函数，能够计算样本特征对与映射特征对的对比损失。

除上述提供的借助映射器对第二待训练模型的编码器进行的训练，以此在损失函数收敛之后获得的数据特征模型的实现方式之外，还可将作品样本的样本数据输入第二待训练模型的编码器进行数据特征提取，获得样本数据特征，根据样本数据特征和预先标记的样本标签计算损失，根据该损失对所述编码器进行参数调整。

步骤S104，对所述显著特征和所述数据特征进行特征拼接，获得拼接特征。

上述提取所述显著特征和数据特征之后，对获得所述显著特征和数据特征进行特征拼接，以此获得所述拼接特征，其中，所述拼接特征是指将显著特征的特征维度以及数据特征的特征维度进行拼接得到的拼接特征。

具体实施时，在进行特征拼接的过程中，为了得到预设维度拼接特征，本实施例提供的一种可选实施方式中，所述对所述显著特征和数据特征进行特征拼接，获得拼接特征，包括：

按照所述显著特征的特征维度以及所述数据特征的特征维度，确定预设维度；

按照所述预设维度将所述显著特征和所述数据特征进行特征拼接，获得所述拼接特征；

可选的，所述预设维度的维度数目等于所述显著特征的特征维度的维度数目和所述数据特征的特征维度的维度数目之和。

例如，将128维的显著特征与128维的数据特征进行特征拼接获得256维的拼接特征；再比如，将128维的显著特征与56维的数据特征进行特征拼接获得184维的拼接特征。

除此之外，所述对所述显著特征和所述数据特征进行特征拼接，获得拼接特征，还可以通过如下方式实现：计算所述显著特征维度的特征维度的维度数目和所述数据特征的特征维度的维度数目之和作为预设维度，按照所述预设维度将所述显著特征的特征维度和所述数据特征的特征维度进行特征拼接，获得所述拼接特征。

步骤S106，将所述拼接特征进行特征降维处理，获得降维特征。

上述获得拼接特征之后，基于所述拼接特征进行特征降维处理，获得降维特征，以此计算提高效率，降低成本；具体执行过程中，在对拼接特征进行特征降维处理的过程中，为了最大程度的保护数字作品的作品数据，从而在确保作品数据不被破坏的前提下尽可能的提升处理效果，本实施例提供的一种可选实施方式中，将所述拼接特征进行特征降维处理，获得降维特征，包括：

根据所述拼接特征的特征维度和预设降维比例，确定降维维度；

按照所述降维维度对所述拼接特征进行特征降维处理，获得所述降维特征。

例如，将256维的拼接特征降维成128维或者更低维度的拼接特征，作为降维特征。

此外，所述基于所述将所述拼接特征进行特征降维处理，获得降维特征，还可通过如下方式实现：按照预设降维比例对所述拼接特征进行特征降维处理，获得所述降维特征，此处预设降维比例不做具体数值限定，根据实际应用场景设定，上述方式还可与本实施例提供的下述步骤组成新的实现方式。

步骤S108，计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度。

上述获得所述降维特征的基础上，本步骤中，计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，基于所述特征相似度进行所述数字作品的侵权检测，以此保护作品数据的原创性。可选的，计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

本实施例所述数字作品库，是指虚拟世界的数字藏品、虚拟衣物、虚拟建筑等组成的具有唯一数字凭证的数字作品集合。

所述候选数字作品是指数字作品库中等待进行相似度检测的数字作品。

具体实施时，所述数字作品库中的候选数字作品的作品数据类型可能会比较繁杂，为了提升针对所述降维特征与候选数字作品的降维特征的相似度检测效率和准确性，可以通过训练相似度计算模型对数字作品的降维特征和候选数字作品的降维特征进行相似度计算，本实施例提供的一种可选实施方式中，所述计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，包括：

将所述降维特征输入相似度计算模型，与所述数字作品库中的候选数字作品进行相似度计算，获得所述特征相似度。

实际应用中，所述相似度计算模型的训练可以预先完成，比如在云服务器上进行相似度计算模型的模型训练，也可以在线下进行相似度计算模型的模型训练；在模型训练过程中，为了提升相似度计算模型的训练效率，同时也为了降低训练样本的收集难度、减少模型训练的工作量，本实施例提供的一种可选实施方式中，所述相似度计算模型，采用如下方式训练获得：

将特征样本对输入待训练的神经网络模型进行特征相似度计算，获得相似度分数；

基于所述样本对相似度分数和所述特征样本对的样本关系确定分类损失；

根据所述分类损失对所述神经网络模型进行参数调整。

参见上述模型训练方式，重复上述训练过程对神经网络模型进行训练，并根据分类损失对神经网络模型进行调参，直至损失函数收敛，则在损失函数收敛后完成训练，并将完成训练时的神经网络模型作为所述相似度计算模型。

实际应用中，在虚拟世界中可能会存在一些对数字作品未经授权的使用，为了保护数字作品的原创性，降低未授权使用率，本实施例中，根据所述特征相似度进行所述数字作品的侵权检测。

具体在使用虚拟世界中的数字作品的过程中，为了降低未授权使用发生的可能性，本实施例提供的一种可选方式中，所述根据所述特征相似度进行所述数字作品的侵权检测，包括：

检测所述特征相似度是否处于预设阈值范围，若是，确定所述数字作品为侵权作品，并进行所述侵权作品的侵权提醒处理；若否，不作处理即可。

进一步，为了保护数字作品的原创性，可选的，所述进行所述侵权作品的侵权提醒处理，包括：

将所述侵权作品从所述虚拟世界内删除，向所述候选数字作品的所有权方发送所述侵权作品的侵权提醒。

此外，检测所述特征相似度是否处于预设阈值范围为否的情况下，为进一步完善数字作品库，提升侵权检测的精确性，还可确定所述数字作品为原创作品，并将所述数字作品加入数字作品库。

此外，上述提供的检测所述特征相似度是否处于预设阈值范围，若所述特征相似度处于预设阈值范围，确定所述数字作品为侵权作品，并进行所述侵权作品的侵权提醒处理；

若所述特征相似度未处于预设阈值范围，则确定所述数字作品为原创作品，并且将所述数字作品加入数字作品库。

下述以本实施例提供的一种数字作品处理方法在数字藏品场景的应用为例，结合图2，对本实施例提供的数字作品处理方法进行进一步说明，参见图2，应用于数字作品处理方法，具体包括下述步骤。

步骤S202，将数字藏品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及将作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。

步骤S204，对显著特征和数据特征进行特征拼接，获得拼接特征。

步骤S206，对拼接特征进行特征降维处理，获得降维特征。

步骤S208，计算降维特征与数字作品库中的候选数字藏品的降维特征的特征相似度。

步骤S210，检测特征相似度是否处于预设阈值范围；

若是，确定数字藏品为侵权作品，执行下述步骤S212；

若否，确定数字藏品为原创作品，执行下述步骤S214。

步骤S212，将侵权藏品从虚拟世界内删除，向候选数字藏品的所有权方发送侵权提醒。

步骤S214，将数字藏品加入数字作品库。

本说明书提供的一种数字作品处理装置实施例如下：

在上述的实施例中，提供了一种数字作品处理方法，与之相对应的，还提供了一种数字作品处理装置，下面结合附图进行说明。

参照图3，其示出了本实施例提供的一种数字作品处理装置示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种数字作品处理装置，包括：

特征提取模块302，被配置为将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征；以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征。

特征拼接模块304，被配置为对所述显著特征和所述数据特征进行特征拼接，获得拼接特征。

特征降维处理模块306，被配置为将所述拼接特征进行特征降维处理，获得降维特征。

相似度计算模块308，被配置为计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

本说明书提供的一种数字作品处理设备实施例如下：

对应上述描述的一种数字作品处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种数字作品处理设备，该数字作品处理设备用于执行上述提供的数字作品处理方法，图4为本说明书一个或多个实施例提供的一种数字作品处理设备的结构示意图。

本实施例提供的一种数字作品处理设备，包括：

如图4所示，数字作品处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括数字作品处理设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在数字作品处理设备上执行存储器402中的一系列计算机可执行指令。数字作品处理设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入/输出接口405，一个或一个以上键盘406等。

在一个具体的实施例中，数字作品处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数字作品处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；

对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；

将所述拼接特征进行特征降维处理，获得降维特征；

计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

本说明书提供的一种存储介质实施例如下：

对应上述描述的一种数字作品处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；

对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；

将所述拼接特征进行特征降维处理，获得降维特征；

计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

需要说明的是，本说明书中关于第一种存储介质的实施例与本说明书中关于第一种服务处理方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、作品、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (16)

1.一种数字作品处理方法，包括：

将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；

所述显著特征提取模型，采用如下方式训练获得：

将数字作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征；

根据预测显著分数和所述数字作品样本对应的标记分数计算显著损失，以及，根据预测显著图谱和所述数字作品样本对应的标记图谱计算图谱损失；

根据所述显著损失和所述图谱损失对所述编码器进行参数调整；

其中，所述预测显著分数通过将所述样本显著特征输入预测器进行显著分数预测获得；所述预测显著图谱通过将所述样本显著特征输入回归器进行显著图谱预测获得；

对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；

将所述拼接特征进行特征降维处理，获得降维特征；

计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

2.根据权利要求1所述的数字作品处理方法，所述根据所述特征相似度进行所述数字作品的侵权检测，包括：

检测所述特征相似度是否处于预设阈值范围；

若是，确定所述数字作品为侵权作品，并进行所述侵权作品的侵权提醒处理。

3.根据权利要求2所述的数字作品处理方法，若所述检测所述特征相似度是否处于预设阈值范围子操作执行之后的执行结果为否，执行如下操作：

确定所述数字作品为原创作品，并将所述数字作品加入数字作品库。

4.根据权利要求2所述的数字作品处理方法，所述进行所述侵权作品的侵权提醒处理，包括：

将所述侵权作品从所述数字作品库内删除，向所述候选数字作品的所有权方发送所述侵权作品的侵权提醒。

5.根据权利要求1所述的数字作品处理方法，所述显著特征提取，包括：

将所述作品数据输入所述显著特征提取模型的编码器进行显著特征提取，获得所述显著特征。

6.根据权利要求1所述的数字作品处理方法，所述数据特征提取，包括：

将所述作品数据输入所述数据特征提取模型的编码器进行数据特征提取，获得所述数据特征。

7.根据权利要求1所述的数字作品处理方法，所述数据特征提取模型，采用如下方式训练获得：

将数字作品样本对的样本数据输入第二待训练模型的编码器进行数据特征提取，获得数据特征对；

将所述数据特征对输入特征映射器进行特征映射处理，获得映射特征对；

根据所述数据特征对和所述映射特征对计算对比损失，并根据所述对比损失对所述编码器进行参数调整。

8.根据权利要求7所述的数字作品处理方法，所述根据所述数据特征对和所述映射特征对计算对比损失，包括：

计算所述数据特征对中第一样本对应的第一数据特征与所述映射特征对中第二样本对应的第二映射特征的第一特征相似度，以及，计算所述数据特征对中第二样本对应的第二数据特征与所述映射特征对中第一样本对应的第一映射特征的第二特征相似度；

计算第一特征相似度与第二特征相似度之和作为对比损失。

9.根据权利要求1所述的数字作品处理方法，所述对所述显著特征和所述数据特征进行特征拼接，获得拼接特征，包括：

按照所述显著特征的特征维度以及所述数据特征的特征维度，确定预设维度；

按照所述预设维度将所述显著特征和所述数据特征进行特征拼接，获得所述拼接特征；

其中，所述预设维度的维度数目等于所述显著特征的特征维度的维度数目和所述数据特征的特征维度的维度数目之和。

10.根据权利要求1所述的数字作品处理方法，所述将所述拼接特征进行特征降维处理，获得降维特征，包括：

根据所述拼接特征的特征维度和预设降维比例，确定降维维度；

按照所述降维维度对所述拼接特征进行特征降维处理，获得所述降维特征。

11.根据权利要求1所述的数字作品处理方法，所述计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，包括：

将所述降维特征输入相似度计算模型，与所述数字作品库中的候选数字作品进行相似度计算，获得所述特征相似度。

12.根据权利要求11所述的数字作品处理方法，所述相似度计算模型，采用如下方式训练获得：

将特征样本对输入待训练的神经网络模型进行特征相似度计算，获得相似度分数；

基于所述相似度分数和所述特征样本对的样本关系确定分类损失；

根据所述分类损失对所述神经网络模型进行参数调整。

13.根据权利要求1所述的数字作品处理方法，所述数字作品，包括下述至少一项：

数字藏品、虚拟衣物以及虚拟建筑。

14.一种数字作品处理装置，包括：

特征提取模块，被配置为将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；

所述显著特征提取模型，采用如下方式训练获得：

将数字作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征；

根据预测显著分数和所述数字作品样本对应的标记分数计算显著损失，以及，根据预测显著图谱和所述数字作品样本对应的标记图谱计算图谱损失；

根据所述显著损失和所述图谱损失对所述编码器进行参数调整；

其中，所述预测显著分数通过将所述样本显著特征输入预测器进行显著分数预测获得；所述预测显著图谱通过将所述样本显著特征输入回归器进行显著图谱预测获得；

特征拼接模块，被配置为对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；

特征降维处理模块，被配置为将所述拼接特征进行特征降维处理，获得降维特征；

相似度计算模块，被配置为计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

15.一种数字作品处理设备，包括：

处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：

将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；

所述显著特征提取模型，采用如下方式训练获得：

将数字作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征；

根据预测显著分数和所述数字作品样本对应的标记分数计算显著损失，以及，根据预测显著图谱和所述数字作品样本对应的标记图谱计算图谱损失；

根据所述显著损失和所述图谱损失对所述编码器进行参数调整；

其中，所述预测显著分数通过将所述样本显著特征输入预测器进行显著分数预测获得；所述预测显著图谱通过将所述样本显著特征输入回归器进行显著图谱预测获得；

对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；

将所述拼接特征进行特征降维处理，获得降维特征；

计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。

16.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

将虚拟世界内的数字作品的作品数据输入显著特征提取模型进行显著特征提取，获得显著特征，以及，将所述作品数据输入数据特征提取模型进行数据特征提取，获得数据特征；

所述显著特征提取模型，采用如下方式训练获得：

将数字作品样本的样本数据输入第一待训练模型的编码器进行显著特征提取，获得样本显著特征；

根据预测显著分数和所述数字作品样本对应的标记分数计算显著损失，以及，根据预测显著图谱和所述数字作品样本对应的标记图谱计算图谱损失；

根据所述显著损失和所述图谱损失对所述编码器进行参数调整；

其中，所述预测显著分数通过将所述样本显著特征输入预测器进行显著分数预测获得；所述预测显著图谱通过将所述样本显著特征输入回归器进行显著图谱预测获得；

对所述显著特征和所述数据特征进行特征拼接，获得拼接特征；

将所述拼接特征进行特征降维处理，获得降维特征；

计算所述降维特征与数字作品库中的候选数字作品的降维特征的特征相似度，以根据所述特征相似度进行所述数字作品的侵权检测。