CN106296690A - 图像素材的质量评估方法及装置 - Google Patents

Abstract

本公开提供一种图像素材的质量评估方法及装置，所述方法包括：获取目标广告图像素材；将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。本公开避免了人为的主观因素对质量评估结果的影响，提高了质量评估结果的准确率，并节省了大量的人力资源，也提高了质量评估的效率。

Description

图像素材的质量评估方法及装置

技术领域

本公开涉及计算机技术领域，特别涉及一种图像素材的质量评估方法及装置。

背景技术

随着网络技术的不断发展，互联网已经成为人们生活和工作中必不可少的一种信息传播媒介。因此，很多广告主会将自己产品的广告投放到互联网中。产品的广告可以包括很多素材，例如文本素材、图像素材以及声音素材等。其中，广告的图像素材对广告的点击率有较大的影响，比较有吸引力的图像能够引导更多的人点击广告，增加广告的点击率。

目前，一些广告主在投放某些产品的广告时，为了了解该广告的图像素材对广告点击率的影响力，一般会人工根据经验对该广告的图像素材进行质量的审核和评估，以确定该广告的图像素材的质量。但是，由于人的主观因素的影响，质量评估结果的准确率较低，并且浪费了大量的人力资源，降低了质量评估的效率。

发明内容

为了解决上述技术问题，本公开提供一种图像素材的质量评估方法及装置。

根据本公开实施例的第一方面，提供一种图像素材的质量评估方法，包括：

获取目标广告图像素材；

将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。

可选的，所述方法还包括：

获取广告图像素材的样本；

获取所述广告图像素材的样本对应的质量级别；

基于所述广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，以获取所述目标卷积神经网络。

可选的，所述获取所述广告图像素材的样本对应的质量级别，包括：

获取所述广告图像素材的样本对应的点击率；

获取预先对点击率设定的多个区间范围的信息，每个所述区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高；

确定所述广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为所述广告图像素材的样本对应的质量级别。

可选的，所述基于所述广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，包括：

对所述广告图像素材的样本进行归一化处理，以得到归一化样本；

基于所述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值；

如果未收敛到收敛阈值，调整当前深度卷积神经网络中的参数，并重新执行所述判断的步骤；

如果收敛到收敛阈值，停止修正，并输出当前深度卷积神经网络作为所述目标卷积神经网络。

可选的，所述基于所述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值，包括：

将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，以得到卷积特征值；

将所述卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，以得到全连接特征值；

将所述全连接特征值输入到当前深度卷积神经网络中的损失函数层，以得到所述损失函数；

判断所述损失函数是否收敛到收敛阈值；

其中，N为大于或者等于2的自然数。

可选的，当将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行第一次处理时，所述第一次处理包括：

采用当前深度卷积神经网络的第一卷积层对所述归一化样本以及对应的质量级别进行处理，以得到第一卷积值；

采用当前深度卷积神经网络的第一激活函数对所述第一卷积值进行激活处理，以得到第一激活值；

采用当前深度卷积神经网络的第一池化层对所述第一激活值进行池化处理，以获取第一特征值；

当进行第n次处理时，所述第n次处理包括：

采用当前深度卷积神经网络的第n卷积层对第n-1特征值进行处理，以得到第n卷积值；

采用当前深度卷积神经网络的第n激活函数对所述第n卷积值进行激活处理，以得到第n激活值；

采用当前深度卷积神经网络的第n池化层对所述第n激活值进行池化处理，以获取第n特征值；

当n＝N时，将第N特征值作为所述卷积特征值；

其中，n为大于或者等于2，小于或者等于N的自然数。

根据本公开实施例的第二方面，提供一种图像素材的质量评估装置，包括：

第一获取模块，被配置为获取目标广告图像素材；

评估模块，被配置为将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。

可选的，所述装置还包括：

第二获取模块，被配置为获取广告图像素材的样本；

第三获取模块，被配置为获取所述广告图像素材的样本对应的质量级别；

修正模块，被配置为基于所述广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，以获取所述目标卷积神经网络。

可选的，所述第三获取模块包括：

点击率获取子模块，被配置为获取所述广告图像素材的样本对应的点击率；

范围获取子模块，被配置为获取预先对点击率设定的多个区间范围的信息，每个所述区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高；

确定子模块，被配置为确定所述广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为所述广告图像素材的样本对应的质量级别。

可选的，所述修正模块包括：

归一子模块，被配置为对所述广告图像素材的样本进行归一化处理，以得到归一化样本；

判断子模块，被配置为基于所述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值；

调整子模块，被配置为在未收敛到收敛阈值时，调整当前深度卷积神经网络中的参数，并重新执行所述判断的步骤；

输出子模块，被配置为在收敛到收敛阈值时，停止修正，并输出当前深度卷积神经网络作为所述目标卷积神经网络。

可选的，所述判断子模块包括：

卷积子模块，被配置为将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，以得到卷积特征值；

全连接子模块，被配置为将所述卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，以得到全连接特征值；

损失子模块，被配置为将所述全连接特征值输入到当前深度卷积神经网络中的损失函数层，以得到所述损失函数；

收敛判断子模块，被配置为判断所述损失函数是否收敛到收敛阈值；

其中，N为大于或者等于2的自然数。

可选的，当将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行第一次处理时，所述卷积子模块被配置用于：

采用当前深度卷积神经网络的第一卷积层对所述归一化样本以及对应的质量级别进行处理，以得到第一卷积值；

采用当前深度卷积神经网络的第一激活函数对所述第一卷积值进行激活处理，以得到第一激活值；

采用当前深度卷积神经网络的第一池化层对所述第一激活值进行池化处理，以获取第一特征值；

当进行第n次处理时，所述卷积子模块被配置用于：

采用当前深度卷积神经网络的第n卷积层对第n-1特征值进行处理，以得到第n卷积值；

采用当前深度卷积神经网络的第n激活函数对所述第n卷积值进行激活处理，以得到第n激活值；

采用当前深度卷积神经网络的第n池化层对所述第n激活值进行池化处理，以获取第n特征值；

当n＝N时，将第N特征值作为所述卷积特征值；

其中，n为大于或者等于2，小于或者等于N的自然数。

根据本公开实施例的第三方面，提供一种图像素材的质量评估装置，包括：

处理器；用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标广告图像素材；

将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开的实施例提供的图像素材的质量评估方法，通过获取目标广告图像素材，并将目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取目标广告图像素材对应的质量级别。从而避免了人为的主观因素对质量评估结果的影响，提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

本公开的实施例提供的图像素材的质量评估方法，通过基于广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，从而训练出了目标卷积神经网络，采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。避免了人为的主观因素对质量评估结果的影响，进一步地提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

本公开的实施例提供的图像素材的质量评估方法，可以通过广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，从而训练出目标卷积神经网络，并采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。避免了人为的主观因素对质量评估结果的影响，进一步地提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

本公开的实施例提供的图像素材的质量评估方法，可以将广告图像素材的归一化样本以及对应的质量级别输入当前深度卷积神经网络，如果对应的损失函数未收敛到收敛阈值，调整当前深度卷积神经网络中的参数，并重新执行上述步骤，直到损失函数收敛到收敛阈值，停止修正。从而训练出目标卷积神经网络，并采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。进一步提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

本公开的实施例提供的图像素材的质量评估方法，可以将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，将得到的卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，再将得到的全连接特征值输入到当前深度卷积神经网络中的损失函数层得到损失函数，在损失函数未收敛到收敛阈值时，调整当前深度卷积神经网络中的参数，并重新执行上述步骤，直到损失函数收敛到收敛阈值，停止修正。从而训练出目标卷积神经网络，并采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。进一步提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本公开根据一示例性实施例示出的一种图像素材的质量评估方法的流程图；

图2是本公开根据一示例性实施例示出的另一种图像素材的质量评估方法的流程图；

图3是本公开根据一示例性实施例示出的一种图像素材的质量评估装置的框图；

图4是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置的框图；

图5是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置的框图；

图6是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置的框图；

图7是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置的框图；

图8是本公开根据一示例性实施例示出的一种图像素材的质量评估装置的一结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在......时”或“当......时”或“响应于确定”。术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。

需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解所述术语的具体含义。

如图1所示，图1是根据一示例性实施例示出的一种图像素材的质量评估方法的流程图，该方法可以应用于终端设备或者服务器中。本领域技术人员可以理解，该终端设备可以包括但不限于诸如平板电脑、膝上型便携计算机以及台式电脑等等。该方法包括以下步骤：

在步骤101中，获取目标广告图像素材。

一般来说，产品的广告可以包括很多素材，例如文本素材、图像素材以及声音素材等。其中，图像素材即为图像形式的素材。在本实施例中，目标广告图像素材即为待评估的广告图像素材，可以首先获取用户输入的待评估广告图像素材，作为目标广告图像素材。

在步骤102中，将目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取目标广告图像素材对应的质量级别。

在本实施例中，可以将目标广告图像素材输入到预先训练的目标卷积神经网络中，通过目标卷积神经网络对其进行评估处理，从而获取目标广告图像素材对应的质量级别。

其中，卷积神经网络(Convolutional Neural Network，CNN)为深度学习网络模型的一种，深度学习网络模型是机器学习研究中的一个新的领域，它是建立、模拟人脑进行分析学习的神经网络，它可以模仿人脑的机制来解释数据(如，图像数据，或者文本数据等)。由于卷积神经网络是一个真正多层结构的学习算法，所以它可以利用空间的相对关系减少参数数目，从而提高训练性能。

在本实施例中，需要预先采集样本，用采集到的样本训练卷积神经网络模型。将目标广告图像素材输入到预先训练的目标卷积神经网络后，目标卷积神经网络可以对目标广告图像素材进行特征提取及分类，从而对目标广告图像素材进行质量评估。

本公开的上述实施例提供的图像素材的质量评估方法，通过获取目标广告图像素材，并将目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取目标广告图像素材对应的质量级别。从而避免了人为的主观因素对质量评估结果的影响，提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

如图2所示，图2根据一示例性实施例示出的另一种图像素材的质量评估方法的流程图，该实施例详细描述了训练目标卷积神经网络的过程，该方法可以应用于终端设备或者服务器中，包括以下步骤：

在步骤201中，获取广告图像素材的样本。

在步骤202中，获取广告图像素材的样本对应的质量级别。

在本实施例中，广告图像素材的样本可以是从网络上随机获取的各种广告图像素材，并且，所选取的广告图像素材的投放时间越长越好。因为，投放时间越长，广告图像素材对应的点击率越能体现其对应的质量。接着，获取每个广告图像素材的样本对应的质量级别。其中，对应的质量级别越高，说明该广告图像素材的质量越好，有效率越高。

具体来说，可以预先对点击率设定若干个区间，每个区间可以对应一个级别，首先可以获取每个广告图像素材的样本对应的点击率。然后，获取预先对点击率设定的多个区间范围的信息，每个区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高。根据广告图像素材的样本对应的点击率所在的区间，确定广告图像素材的样本对应的质量级别。具体地，确定广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为该广告图像素材的样本对应的质量级别。

例如，假设设定的点击率的区间分别为小于a的区间，大于或者等于a小于b的区间，大于或者等于b小于c的区间，大于或者等于c小于d的区间，大于或者等于d小于1的区间(其中，a、b、c、d均小于1)。这五个区间分别对应不同的质量级别，并且点击率越高的区间所对应的质量级别越高。如，其中，小于a的区间所对应的质量级别最低，大于或者等于d的区间所对应的质量级别最高。

在一种实现方式中，可以统计所选取的广告图像素材的样本的平均点击率，记为M。统计所选取的广告图像素材的样本的标准差，记为S。然后，设定四个区间范围，分别为小于M-S的区间，大于或者等于M-S小于M的区间，大于或者等于M小于M₊S的区间，大于或者等于M₊S小于1的区间。这四个不同的区间对应的质量级别分别为差、中、良、优。可以根据广告图像素材的样本的点击率查找所在的区间范围，并确定对应的质量级别。

可以理解，还可以采用其它的方式对点击率进行区间范围的划分，本公开对点击率划分区间范围的具体方式以及质量级别的具体数量方面不限定。

在步骤203中，基于广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，以获取目标卷积神经网络。

在本实施例中，对深度卷积神经网络进行模型训练的过程可以是调整深度卷积神经网络的参数的过程。可以将广告图像素材的样本以及对应的质量级别输入深度卷积神经网络中，从而不断调整深度卷积神经网络的参数，直到该深度卷积神经网络能够比较精确的提取到广告图像素材的样本对应的质量级别为止。

在本实施例中，首先，对广告图像素材的样本进行归一化处理，以得到归一化样本。具体来说，可以将所有广告图像素材的样本转化成相同尺寸(长宽均具有相同数量的像素点)的样本，作为归一化样本。

继而，基于上述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值。具体来说，将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，以得到卷积特征值。然后，将该卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，以得到全连接特征值。再将全连接特征值输入到当前深度卷积神经网络中的损失函数层，以得到损失函数。其中，N为大于或者等于2的自然数。

其中，损失函数可以是分类值与标签的差值函数。分类值为深度卷积神经网络对归一化样本进行特征提取后，进行分类而获得的分类值。标签为该归一化样本对应的质量级别的真实特征值。进一步地，判断该损失函数是否收敛到收敛阈值。

在本实施例中，将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行第一次处理时，具体可以包括如下步骤：采用当前深度卷积神经网络的第一卷积层对归一化样本以及对应的质量级别进行处理，以得到第一卷积值。采用当前深度卷积神经网络的第一激活函数对该第一卷积值进行激活处理，以得到第一激活值。采用当前深度卷积神经网络的第一池化层对第一激活值进行池化处理，以获取第一特征值。其中，进行池化处理的目的是对第一激活值进行降维，以提高后续的处理效率。

当进行第n次处理时，第n次处理具体可以包括如下步骤：采用当前深度卷积神经网络的第n卷积层对第n-1特征值进行处理，以得到第n卷积值。采用当前深度卷积神经网络的第n激活函数对第n卷积值进行激活处理，以得到第n激活值。采用当前深度卷积神经网络的第n池化层对所述第n激活值进行池化处理，以获取第n特征值。其中，当n＝N时，将第N特征值作为卷积特征值。n为大于或者等于2，小于或者等于N的自然数。

例如，在一种实现方式中，假设N＝2，则将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行2次处理，得到卷积特征值的过程可以包括：将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中，依次经过第一卷积层、第一激活函数以及第一池化层的处理，以获取第一特征值。然后，第一特征值再依次经过第二卷积层、第二激活函数以及第二池化层的处理，以获取第二特征值，将第二特征值作为卷积特征值。

接着，如果损失函数未收敛到收敛阈值，则调整当前深度卷积神经网络中的参数，并重新执行上述判断的步骤。如果损失函数收敛到收敛阈值，则停止修正，并输出当前深度卷积神经网络作为训练好的目标卷积神经网络。

具体来说，当损失函数值小于上一次训练得到的损失函数值时，对卷积神经网络进行反向传播来调整卷积层中卷积核的参数，并且重复对卷积神经网络进行模型训练，直到得到的损失函数值小于损失函数阈值并且收敛。当损失函数值小于损失函数阈值并且收敛时，表明深度卷积神经网络对归一化样本进行特征提取后，进行分类而获得的分类值与该归一化样本对应的质量级别的真实特征值相接近。即该深度卷积神经网络能够比较精确的提取到广告图像素材的样本对应的质量级别。

在步骤204中，获取目标广告图像素材。

在步骤205中，将目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取目标广告图像素材对应的质量级别。

需要说明的是，对于与图1实施例中相同的步骤，在上述图2实施例中不再进行赘述，相关内容可参见图1实施例。

本公开的上述实施例提供的图像素材的质量评估方法，通过基于广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，从而训练出了目标卷积神经网络，采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。避免了人为的主观因素对质量评估结果的影响，进一步地提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

应当注意，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

与前述图像素材的质量评估方法实施例相对应，本公开还提供了图像素材的质量评估装置的实施例。

如图3所示，图3是本公开根据一示例性实施例示出的一种图像素材的质量评估装置框图，该装置包括：第一获取模块301以及评估模块302。

其中，第一获取模块301，被配置为获取目标广告图像素材。

一般来说，产品的广告可以包括很多素材，例如文本素材、图像素材以及声音素材等。其中，图像素材即为图像形式的素材。在本实施例中，目标广告图像素材即为待评估的广告图像素材，可以首先获取用户输入的待评估广告图像素材，作为目标广告图像素材。

评估模块302，被配置为将目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取目标广告图像素材对应的质量级别。

在本实施例中，可以将目标广告图像素材输入到预先训练的目标卷积神经网络中，通过目标卷积神经网络对其进行评估处理，从而获取目标广告图像素材对应的质量级别。

在本实施例中，需要预先采集样本，用采集到的样本训练卷积神经网络模型。将目标广告图像素材输入到预先训练的目标卷积神经网络后，目标卷积神经网络可以对目标广告图像素材进行特征提取及分类，从而对目标广告图像素材进行质量评估。

由上述实施例可见，该实施例可以通过获取目标广告图像素材，并将目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取目标广告图像素材对应的质量级别。从而避免了人为的主观因素对质量评估结果的影响，提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

如图4所示，图4是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置框图，该实施例在前述图3所示实施例的基础上，该装置还可以进一步包括：第二获取模块303，第三获取模块304以及修正模块305。

其中，第二获取模块303，被配置为获取广告图像素材的样本。

第三获取模块304，被配置为获取广告图像素材的样本对应的质量级别。

在本实施例中，广告图像素材的样本可以是从网络上随机获取的各种广告图像素材，并且，所选取的广告图像素材的投放时间越长越好。因为，投放时间越长，广告图像素材对应的点击率越能体现其对应的质量。接着，获取每个广告图像素材的样本对应的质量级别。其中，对应的质量级别越高，说明该广告图像素材的质量越好，有效率越高。

修正模块305，被配置为基于广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，以获取目标卷积神经网络。

在本实施例中，对深度卷积神经网络进行模型训练的过程可以是调整深度卷积神经网络的参数的过程。可以将广告图像素材的样本以及对应的质量级别输入深度卷积神经网络中，从而不断调整深度卷积神经网络的参数，直到该深度卷积神经网络能够比较精确的提取到广告图像素材的样本对应的质量级别为止。

由上述实施例可见，该实施例可以通过基于广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，从而训练出了目标卷积神经网络，采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。避免了人为的主观因素对质量评估结果的影响，进一步地提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

如图5所示，图5是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置框图，该实施例在前述图4所示实施例的基础上，第三获取模块304可以包括：点击率获取子模块501，范围获取子模块502和确定子模块503。

其中，点击率获取子模块501，被配置为获取广告图像素材的样本对应的点击率。

范围获取子模块502，被配置为获取预先对点击率设定的多个区间范围的信息，每个区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高。

确定子模块503，被配置为确定广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为广告图像素材的样本对应的质量级别。

具体来说，可以预先对点击率设定若干个区间，每个区间可以对应一个级别，首先可以获取每个广告图像素材的样本对应的点击率。然后，获取预先对点击率设定的多个区间范围的信息，每个区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高。根据广告图像素材的样本对应的点击率所在的区间，确定广告图像素材的样本对应的质量级别。具体地，确定广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为该广告图像素材的样本对应的质量级别。

可以理解，本公开对点击率划分区间范围的具体方式以及质量级别的具体数量方面不限定。

由上述实施例可见，该实施例可以根据广告图像素材的样本对应的点击率确定广告图像素材的样本对应的质量级别，以便可以通过广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，从而训练出目标卷积神经网络，并采用该目标卷积神经网络对获取到的目标广告图像素材进行评估处理，以获取目标广告图像素材对应的质量级别。避免了人为的主观因素对质量评估结果的影响，进一步地提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

如图6所示，图6是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置框图，该实施例在前述图4所示实施例的基础上，修正模块305可以包括：归一子模块601，判断子模块602，调整子模块603和输出子模块604。

其中，归一子模块601，被配置为对广告图像素材的样本进行归一化处理，以得到归一化样本。

具体来说，可以将所有广告图像素材的样本转化成相同尺寸(长宽均具有相同数量的像素点)的样本，作为归一化样本。

判断子模块602，被配置为基于归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值。

其中，损失函数可以是分类值与标签的差值函数。分类值为深度卷积神经网络对归一化样本进行特征提取后，进行分类而获得的分类值。标签为该归一化样本对应的质量级别的真实特征值。进一步地，判断该损失函数是否收敛到收敛阈值。

调整子模块603，被配置为在未收敛到收敛阈值时，调整当前深度卷积神经网络中的参数，并重新执行上述判断的步骤。

输出子模块604，被配置为在收敛到收敛阈值时，停止修正，并输出当前深度卷积神经网络作为目标卷积神经网络。

具体来说，当损失函数值小于上一次训练得到的损失函数值时，对卷积神经网络进行反向传播来调整卷积层中卷积核的参数，并且重复对卷积神经网络进行模型训练，直到得到的损失函数值小于损失函数阈值并且收敛。当损失函数值小于损失函数阈值并且收敛时，表明深度卷积神经网络对归一化样本进行特征提取后，进行分类而获得的分类值与该归一化样本对应的质量级别的真实特征值相接近。即该深度卷积神经网络能够比较精确的提取到广告图像素材的样本对应的质量级别。

由上述实施例可见，该实施例进一步提高了质量评估结果的准确率，并节省了大量的人力资源，提高了质量评估的效率。

如图7所示，图7是本公开根据一示例性实施例示出的另一种图像素材的质量评估装置框图，该实施例在前述图6所示实施例的基础上，判断子模块602可以包括：卷积子模块701，全连接子模块702，损失子模块703和收敛判断子模块704。

其中，卷积子模块701，被配置为将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，以得到卷积特征值。

当将归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行第一次处理时，卷积子模块701被配置用于：

采用当前深度卷积神经网络的第一卷积层对归一化样本以及对应的质量级别进行处理，以得到第一卷积值。采用当前深度卷积神经网络的第一激活函数对第一卷积值进行激活处理，以得到第一激活值。采用当前深度卷积神经网络的第一池化层对所述第一激活值进行池化处理，以获取第一特征值。

当进行第n次处理时，卷积子模块701被配置用于：采用当前深度卷积神经网络的第n卷积层对第n-1特征值进行处理，以得到第n卷积值。采用当前深度卷积神经网络的第n激活函数对所述第n卷积值进行激活处理，以得到第n激活值。采用当前深度卷积神经网络的第n池化层对所述第n激活值进行池化处理，以获取第n特征值。当n＝N时，将第N特征值作为所述卷积特征值。其中，n为大于或者等于2，小于或者等于N的自然数。

全连接子模块702，被配置为将卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，以得到全连接特征值。

损失子模块703，被配置为将全连接特征值输入到当前深度卷积神经网络中的损失函数层，以得到损失函数。

收敛判断子模块704，被配置为判断损失函数是否收敛到收敛阈值。

其中，N为大于或者等于2的自然数。

由上述实施例可见，该实施例进一步提高了质量评估结果的准确率，并提高了质量评估的效率。

应当理解，上述装置可以预先设置在终端设备或者服务器中，也可以通过下载等方式而加载到终端设备或者服务器中。上述装置中的相应模块可以与终端设备或者服务器中的模块相互配合以实现图像素材的质量评估方案。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本公开还提供一种图像素材的质量评估装置，该装置包括有处理器；用于存储处理器可执行指令的存储器；其中，该处理器被配置为：

获取目标广告图像素材；

将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。

图8是根据一示例性实施例示出的一种图像素材的质量评估装置9900的一结构示意图。例如，装置9900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置9900可以包括以下一个或多个组件：处理组件9902，存储器9904，电源组件9906，多媒体组件9908，音频组件9910，输入/输出(I/O)的接口9912，传感器组件9914，以及通信组件9916。

处理组件9902通常控制装置9900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件9902可以包括一个或多个处理器9920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件9902可以包括一个或多个模块，便于处理组件9902和其他组件之间的交互。例如，处理组件9902可以包括多媒体模块，以方便多媒体组件9908和处理组件9902之间的交互。

存储器9904被配置为存储各种类型的数据以支持在装置9900的操作。这些数据的示例包括用于在装置9900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器9904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件9906为装置9900的各种组件提供电力。电源组件9906可以包括电源管理系统，一个或多个电源，及其他与为装置9900生成、管理和分配电力相关联的组件。

多媒体组件9908包括在所述装置9900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件9908包括一个前置摄像头和/或后置摄像头。当装置9900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件9910被配置为输出和/或输入音频信号。例如，音频组件9910包括一个麦克风(MIC)，当装置9900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器9904或经由通信组件9916发送。在一些实施例中，音频组件9910还包括一个扬声器，用于输出音频信号。

I/O接口9912为处理组件9902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件9914包括一个或多个传感器，用于为装置9900提供各个方面的状态评估。例如，传感器组件9914可以检测到装置9900的打开/关闭状态，组件的相对定位，例如所述组件为装置9900的显示器和小键盘，传感器组件9914还可以检测装置9900或装置9900一个组件的位置改变，用户与装置9900接触的存在或不存在，装置9900方位或加速/减速和装置9900的温度变化。传感器组件9914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件9914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件9914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器，微波传感器或温度传感器。

通信组件9916被配置为便于装置9900和其他设备之间有线或无线方式的通信。装置9900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件9916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件9916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置9900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器9904，上述指令可由装置9900的处理器9920执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种图像素材的质量评估方法，其特征在于，所述方法包括：

获取目标广告图像素材；

将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取广告图像素材的样本；

获取所述广告图像素材的样本对应的质量级别；

基于所述广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，以获取所述目标卷积神经网络。

3.根据权利要求2所述的方法，其特征在于，所述获取所述广告图像素材的样本对应的质量级别，包括：

获取所述广告图像素材的样本对应的点击率；

获取预先对点击率设定的多个区间范围的信息，每个所述区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高；

确定所述广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为所述广告图像素材的样本对应的质量级别。

4.根据权利要求2所述的方法，其特征在于，所述基于所述广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，包括：

对所述广告图像素材的样本进行归一化处理，以得到归一化样本；

基于所述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值；

如果未收敛到收敛阈值，调整当前深度卷积神经网络中的参数，并重新执行所述判断的步骤；

如果收敛到收敛阈值，停止修正，并输出当前深度卷积神经网络作为所述目标卷积神经网络。

5.根据权利要求4所述的方法，其特征在于，所述基于所述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值，包括：

将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，以得到卷积特征值；

将所述卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，以得到全连接特征值；

将所述全连接特征值输入到当前深度卷积神经网络中的损失函数层，以得到所述损失函数；

判断所述损失函数是否收敛到收敛阈值；

其中，N为大于或者等于2的自然数。

6.根据权利要求5所述的方法，其特征在于，当将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行第一次处理时，所述第一次处理包括：

采用当前深度卷积神经网络的第一卷积层对所述归一化样本以及对应的质量级别进行处理，以得到第一卷积值；

采用当前深度卷积神经网络的第一激活函数对所述第一卷积值进行激活处理，以得到第一激活值；

采用当前深度卷积神经网络的第一池化层对所述第一激活值进行池化处理，以获取第一特征值；

当进行第n次处理时，所述第n次处理包括：

采用当前深度卷积神经网络的第n卷积层对第n-1特征值进行处理，以得到第n卷积值；

采用当前深度卷积神经网络的第n激活函数对所述第n卷积值进行激活处理，以得到第n激活值；

采用当前深度卷积神经网络的第n池化层对所述第n激活值进行池化处理，以获取第n特征值；

当n＝N时，将第N特征值作为所述卷积特征值；

其中，n为大于或者等于2，小于或者等于N的自然数。

7.一种图像素材的质量评估装置，其特征在于，所述装置包括：

第一获取模块，被配置为获取目标广告图像素材；

评估模块，被配置为将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二获取模块，被配置为获取广告图像素材的样本；

第三获取模块，被配置为获取所述广告图像素材的样本对应的质量级别；

修正模块，被配置为基于所述广告图像素材的样本以及对应的质量级别对深度卷积神经网络中的参数进行修正，以获取所述目标卷积神经网络。

9.根据权利要求8所述的装置，其特征在于，所述第三获取模块包括：

点击率获取子模块，被配置为获取所述广告图像素材的样本对应的点击率；

范围获取子模块，被配置为获取预先对点击率设定的多个区间范围的信息，每个所述区间范围对应一个质量级别，并且对应的点击率越高的区间范围所对应的质量级别越高；

确定子模块，被配置为确定所述广告图像素材的样本对应的点击率所在的区间范围，将该区间范围对应的质量级别作为所述广告图像素材的样本对应的质量级别。

10.根据权利要求8所述的装置，其特征在于，所述修正模块包括：

归一子模块，被配置为对所述广告图像素材的样本进行归一化处理，以得到归一化样本；

判断子模块，被配置为基于所述归一化样本以及对应的质量级别判断当前深度卷积神经网络的损失函数层中的损失函数是否收敛到收敛阈值；

调整子模块，被配置为在未收敛到收敛阈值时，调整当前深度卷积神经网络中的参数，并重新执行所述判断的步骤；

输出子模块，被配置为在收敛到收敛阈值时，停止修正，并输出当前深度卷积神经网络作为所述目标卷积神经网络。

11.根据权利要求10所述的装置，其特征在于，所述判断子模块包括：

卷积子模块，被配置为将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行N次处理，以得到卷积特征值；

全连接子模块，被配置为将所述卷积特征值输入到当前深度卷积神经网络中的全连接层进行N次处理，以得到全连接特征值；

损失子模块，被配置为将所述全连接特征值输入到当前深度卷积神经网络中的损失函数层，以得到所述损失函数；

收敛判断子模块，被配置为判断所述损失函数是否收敛到收敛阈值；

其中，N为大于或者等于2的自然数。

12.根据权利要求11所述的装置，其特征在于，当将所述归一化样本以及对应的质量级别输入到当前深度卷积神经网络中的卷积层进行第一次处理时，所述卷积子模块被配置用于：

采用当前深度卷积神经网络的第一卷积层对所述归一化样本以及对应的质量级别进行处理，以得到第一卷积值；

采用当前深度卷积神经网络的第一激活函数对所述第一卷积值进行激活处理，以得到第一激活值；

采用当前深度卷积神经网络的第一池化层对所述第一激活值进行池化处理，以获取第一特征值；

当进行第n次处理时，所述卷积子模块被配置用于：

采用当前深度卷积神经网络的第n卷积层对第n-1特征值进行处理，以得到第n卷积值；

采用当前深度卷积神经网络的第n激活函数对所述第n卷积值进行激活处理，以得到第n激活值；

采用当前深度卷积神经网络的第n池化层对所述第n激活值进行池化处理，以获取第n特征值；

当n＝N时，将第N特征值作为所述卷积特征值；

其中，n为大于或者等于2，小于或者等于N的自然数。

13.一种图像素材的质量评估装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标广告图像素材；

将所述目标广告图像素材输入到预先训练的目标卷积神经网络中进行评估处理，以获取所述目标广告图像素材对应的质量级别。