CN110956615B - 图像质量评估模型训练方法、装置、电子设备及存储介质 - Google Patents

图像质量评估模型训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110956615B
CN110956615B CN201911121588.5A CN201911121588A CN110956615B CN 110956615 B CN110956615 B CN 110956615B CN 201911121588 A CN201911121588 A CN 201911121588A CN 110956615 B CN110956615 B CN 110956615B
Authority
CN
China
Prior art keywords
image
model
label
quality
sample pair
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911121588.5A
Other languages
English (en)
Other versions
CN110956615A (zh
Inventor
苏驰
李凯
刘弘也
赵浩男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kingsoft Cloud Network Technology Co Ltd
Beijing Kingsoft Cloud Technology Co Ltd
Original Assignee
Beijing Kingsoft Cloud Network Technology Co Ltd
Beijing Kingsoft Cloud Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Kingsoft Cloud Network Technology Co Ltd, Beijing Kingsoft Cloud Technology Co Ltd filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN201911121588.5A priority Critical patent/CN110956615B/zh
Publication of CN110956615A publication Critical patent/CN110956615A/zh
Application granted granted Critical
Publication of CN110956615B publication Critical patent/CN110956615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Abstract

本申请实施例提供了图像质量评估模型训练方法、装置、电子设备及存储介质，利用已知图像质量高低的样本对，对第一模型进行初步训练，得到第二模型，能够使第二模型学习到不同图像质量程度的图像的特征；再利用少量标记有图像质量的样本图像对第二模型进行分类训练，从而得到图像质量评估模型。通过将样本对加入训练，能够大大增加训练数据集的数量，使得深度学习模型有丰富的学习素材，减少过拟合的情况，能够增加模型的性能。

Description

图像质量评估模型训练方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机视觉技术领域，特别是涉及图像质量评估模型训练方法、装置、电子设备及存储介质。
背景技术
随着监控摄像头的普及，以及以深度学习为代表的人工智能技术的发展，智能安防系统在维护社会稳定和保障人民生命财产安全方面发挥了重要作用。具体来说，智能安防是通过计算机视觉等人工智能技术分析监控摄像头捕捉的图像，及时发现特定的人、物以及事件。
为了更加准确地对监控图像进行分析，高分辨率的监控图像获取是必不可少的。但是，在实际的监控场景下，由于目标距离摄像头的远近、光照条件及摄像头本身成像效果等众多因素的影响，会导致捕捉到的监控图像清晰度较差、分辨率较低等。低质量的监控图像给目前的计算机视觉技术带来了很大的困难。因此，急需一种有效的算法可以对监控图像进行准确的质量评价。
现有技术中，在训练图像质量评估的深度学习模型的过程中，需要大规模的数据集，但是由于图像质量的评价存在一定的主观性，因此，在图像质量数据集的标注是非常困难的，一张图像通常需要N(N>10)个人独立地进行标注，最终将N个人的标注结果融合起来作为最终的标注结果，大大增加了人工标记的工作量，限制了深度学习模型训练的样本数，从而导致深度学习模型的性能差。
发明内容
本申请实施例的目的在于提供一种图像质量评估模型训练方法、装置、电子设备及存储介质，以实现增加深度学习模型的性能。具体技术方案如下：
第一方面，本申请实施例提供了一种图像质量评估模型训练方法，所述方法包括：
将第一样本集合输入预设的第一模型，以对所述第一模型进行训练，得到第二模型，其中，所述第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个所述样本对包括内容相同且质量不同的两张图像，所述第一标签用于标识所述样本对的中两张图像的质量的高低；
将第二样本集合输入所述第二模型，以对所述第二模型进行训练，得到图像质量评估模型，其中，所述第二样本集合包括：多张图像和与每张图像对应的第二标签，所述第二标签用于标识图像质量。
在一种可能的实施方式中，在所述将第一样本集合输入预设的第一模型之前，还包括通过以下方法生成所述至少两个样本对：
对于预先获取的每张待处理图像进行降质处理，得到所述至少两个样本对。
在一种可能的实施方式中，在所述将第一样本集合输入预设的第一模型之前，还包括通过以下方法生成所述第一标签：
根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，其中，降质处理程度越大的图像的质量越低。
在一种可能的实施方式中，所述样本对中的两张图像依次为第一图像和第二图像；所述根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，包括：
在所述第一图像的降质处理程度大于所述第二图像的降质处理程度时，生成第一符号作为所述第一标签；
在所述第一图像的降质处理程度小于所述第二图像的降质处理程度时，生成第二符号作为所述第一标签。
在一种可能的实施方式中，所述降质处理包括压缩处理、模糊处理、噪声处理中的一种或多种。
在一种可能的实施方式中，所述对于预先获取的每张待处理图像进行降质处理，得到所述至少两个样本对，包括：
对于预先获取的每张待处理图像进行一次降质处理，并基于原图像和降质后的图像生成一个样本对；或
对于预先获取的每张待处理图像进行两次不同程度的降质处理，得到质量低于原图像的第一降质图像和第二降质图像，并基于第一降质图像和第二降质图像生成一个样本对。
在一种可能的实施方式中，在所述将第二样本集合输入所述第二模型之前，还包括通过以下方法生成所述第二标签：
获取与所述第二样本集合中每张图像对应的人工标签集合，其中，所述人工标签集合包括至少两个人工标签，每个人工标签用于表示所述图像被人为识别出的质量级别；
综合所述人工标签集合中的人工标签数量和每个人工标签的质量级别生成所述第二标签。
在一种可能的实施方式中，所述预设的第一模型包括特征提取网络、池化层网络及输出层网络；所述特征提取网络用于对输入的图像进行特征提取，得到图像特征；所述池化层网络用于对输入的图像特征进行全局平均池化操作，得到全局特征；所述输出层网络用于对输入的全局特征进行分析，得到质量预测结果。
在一种可能的实施方式中，所述将第一样本集合输入预设的第一模型，以对所述第一模型进行训练，得到第二模型，包括：
从在所述第一样本集合中选取一个样本对；
将选取的样本对输入所述第一模型，得到选取的样本对中的每个图像各自对应的质量预测结果；
基于所述质量预测结果计算选取的样本对的损失参数；
基于所述损失参数和所述第一标签，计算选取的样本对的当前损失；
根据所述当前损失，调整所述第一模型的参数；
从在所述第一样本集合中选取样本对重复上述步骤，直至满足预设结束条件，得到所述第二模型。
在一种可能的实施方式中，所述基于所述质量预测结果计算选取的样本对的损失参数，包括：
将选取的样本对中的两个图像的质量预测结果代入算式1，得到对应的样本对损失参数pi；
Figure BDA0002275602070000041
其中，A和B分别用于表示一个样本对的两个图像，i用于表示所述第一样本集合中第i个样本对，
Figure BDA0002275602070000042
和
Figure BDA0002275602070000043
分别用于表示一个样本对中两个图像的质量预测结果，e用于表示自然常数。
在一种可能的实施方式中，所述基于所述损失参数和所述第一标签，计算选取的样本对的当前损失，包括：
将所述损失参数和所述第一标签代入算式2，得到对应的样本对的当前损失Li；
Figure BDA0002275602070000044
其中，pi用于表示样本对的损失参数，
Figure BDA0002275602070000045
用于表示样本对的第一标签，log用于表示对数运算。
第二方面，本申请实施例提供了一种图像质量评估方法，包括：
将待评估的图像输入图像质量评估模型，得到质量评估结果；其中，所述图像质量评估模型采用上述任一所述的图像质量评估模型训练方法得到。
第三方面，本申请实施例提供了一种图像质量评估模型训练装置，所述装置包括：
第一模型训练模块，用于将第一样本集合输入预设的第一模型，以对所述第一模型进行训练，得到第二模型，其中，所述第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个所述样本对包括内容相同且质量不同的两张图像，所述第一标签用于标识所述样本对的中两张图像的质量的高低；
第二模型训练模块，用于将第二样本集合输入所述第二模型，以对所述第二模型进行训练，得到图像质量评估模型，其中，所述第二样本集合包括：多张图像和与每张图像对应的第二标签，所述第二标签用于标识图像质量。
在一种可能的实施方式中，所述装置还包括：图像降质模块，用于对于预先获取的每张待处理图像进行降质处理，得到所述至少两个样本对。
在一种可能的实施方式中，所述装置还包括：第一标签生成模块，用于根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，其中，降质处理程度越大的图像的质量越低。
在一种可能的实施方式中，所述样本对中的两张图像依次为第一图像和第二图像；所述第一标签生成模块，具体用于：在所述第一图像的降质处理程度大于所述第二图像的降质处理程度时，生成第一符号作为所述第一标签；在所述第一图像的降质处理程度小于所述第二图像的降质处理程度时，生成第二符号作为所述第一标签。
在一种可能的实施方式中，所述降质处理包括压缩处理、模糊处理、噪声处理中的一种或多种。
在一种可能的实施方式中，所述图像降质模块，具体用于：对于预先获取的每张待处理图像进行一次降质处理，并基于原图像和降质后的图像生成一个样本对；或对于预先获取的每张待处理图像进行两次不同程度的降质处理，得到质量低于原图像的第一降质图像和第二降质图像，并基于第一降质图像和第二降质图像生成一个样本对。
在一种可能的实施方式中，所述装置还包括，第二标签生成模块，用于：获取与所述第二样本集合中每张图像对应的人工标签集合，其中，所述人工标签集合包括至少两个人工标签，每个人工标签用于表示所述图像被人为识别出的质量级别；综合所述人工标签集合中的人工标签数量和每个人工标签的质量级别生成所述第二标签。
在一种可能的实施方式中，所述预设的第一模型包括特征提取网络、池化层网络及输出层网络；所述特征提取网络用于对输入的图像进行特征提取，得到图像特征；所述池化层网络用于对输入的图像特征进行全局平均池化操作，得到全局特征；所述输出层网络用于对输入的全局特征进行分析，得到质量预测结果。
在一种可能的实施方式中，所述第一模型训练模块，包括：
样本对选取子模块，用于从在所述第一样本集合中选取一个样本对；
图像质量预测子模块，用于将选取的样本对输入所述第一模型，得到选取的样本对中的每个图像各自对应的质量预测结果；
损失参数计算子模块，用于基于所述质量预测结果计算选取的样本对的损失参数；
当前损失计算子模块，用于基于所述损失参数和所述第一标签，计算选取的样本对的当前损失；
模型参数调整子模块，用于根据所述当前损失，调整所述第一模型的参数；
第二模型获取子模块，用于返回上述样本对选取子模块继续执行，直至满足预设结束条件，得到所述第二模型。
在一种可能的实施方式中，所述损失参数计算子模块，具体用于：将选取的样本对中的两个图像的质量预测结果代入算式1，得到对应的样本对损失参数pi；
Figure BDA0002275602070000061
其中，A和B分别用于表示一个样本对的两个图像，i用于表示所述第一样本集合中第i个样本对，
Figure BDA0002275602070000062
和
Figure BDA0002275602070000063
分别用于表示一个样本对中两个图像的质量预测结果，e用于表示自然常数。
在一种可能的实施方式中，所述当前损失计算子模块，具体用于：将所述损失参数和所述第一标签代入算式2，得到对应的样本对的当前损失Li；
Figure BDA0002275602070000064
其中，pi用于表示样本对的损失参数，
Figure BDA0002275602070000065
用于表示样本对的第一标签，log用于表示对数运算。
第四方面，本申请实施例提供了一种图像质量评估装置，包括：
图像质量评估模块，用于将待评估的图像输入图像质量评估模型，得到质量评估结果；其中，所述图像质量评估模型采用上述任一所述的图像质量评估模型训练方法得到。
第五方面，本申请实施例提供了一种电子设备，包括处理器及存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的图像质量评估模型训练方法。
第六方面，本申请实施例提供了一种电子设备，包括处理器及存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的图像质量评估方法。
第七方面，本申请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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的图像质量评估模型训练方法。
第八方面，本申请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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的图像质量评估方法。
本申请实施例提供的图像质量评估模型训练方法、装置、电子设备及存储介质，将第一样本集合输入预设的第一模型，以对第一模型进行训练，得到第二模型，其中，第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个样本对包括内容相同且质量不同的两张图像，第一标签用于标识样本对的中两张图像的质量的高低；将第二样本集合输入第二模型，以对第二模型进行训练，得到图像质量评估模型，其中，第二样本集合包括：多张图像和与每张图像对应的第二标签，第二标签用于标识图像质量。利用已知图像质量高低的样本对，对第一模型进行初步训练，得到第二模型，能够使第二模型学习到不同图像质量程度的图像的特征；再利用少量标记有图像质量的样本图像对第二模型进行分类训练，从而得到图像质量评估模型。通过将样本对加入训练，能够大大增加训练数据集的数量，使得深度学习模型有丰富的学习素材，减少过拟合的情况，能够增加模型的性能。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的图像质量评估模型训练方法的第一种示意图；
图2为本申请实施例的第一模型的一种示意图；
图3为本申请实施例的图像质量评估模型训练方法的第二种示意图；
图4为本申请实施例的利用样本对训练第一模型的一种示意图；
图5为本申请实施例的图像质量评估模型训练装置的一种示意图；
图6为本申请实施例的电子设备的一种示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图像质量数据集的标注困难高，一张图像通常需要N(N>10)个人独立地进行标注，最终将N个人的标注结果融合起来作为最终的标注结果，这大大增加了人工标记的工作量，限制了深度学习模型训练的样本数，现有的图像质量评估模型，在小规模的数据集上进行深度模型的训练，因此非常容易过拟合，进而导致得到的模型的性能较差。
有鉴于此，本申请实施例提供了一种图像质量评估模型训练方法，参见图1，该方法包括：
S11，将第一样本集合输入预设的第一模型，以对第一模型进行训练，得到第二模型，其中，第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个样本对包括内容相同且质量不同的两张图像，第一标签用于标识样本对的中两张图像的质量的高低。
本申请实施例的图像质量评估模型训练方法，可以通过电子设备实现，具体的，该电子设备可以为具有计算功能的服务器或个人电脑等。
获取第一样本集合，第一样本集合中包括多个样本对，样本对中包括内容相同且图像质量不同的两张图像，每个样本对均有对应的第一标签，样本对的第一标签表示该样本对中两张图像的质量的高低。
第一模型可以直接复用相关技术中的深度学习模型。在一种可能的实施方式中，参见图2，预设的第一模型包括特征提取网络201、池化层网络202及输出层网络203，上述特征提取网络201用于对输入的图像进行特征提取，得到图像特征；上述池化层网络202用于对输入的图像特征进行全局平均池化操作，得到全局特征；上述输出层网络203用于对输入的全局特征进行分析，得到质量预测结果。特征提取网络201可以包括多个卷积层，还可以包括BN(Batch Normalization，批归一化)层，其中，每个层对应各自的激活函数。池化层网络202可以包括多个池化层。输出层网络203可以包括多个全连接层。
在第一样本集合中选取样本对，将样本对的两张图像依次输入到第一模型中，得到这两个图像的质量预测结果，基于该样本对的第一标签及两个质量预测结果，调整第一模型的参数，从而得到第二模型。
S12，将第二样本集合输入第二模型，以对第二模型进行训练，得到图像质量评估模型，其中，第二样本集合包括：多张图像和与每张图像对应的第二标签，第二标签用于标识图像质量。
第二样本集合中的图像人工标记有图像质量，利用少量标记有图像质量的图像对第二模型进行训练，最终得到图像质量评估模型。其中，第二标签的形式可以自定义设置，例如可以标记为1-10中的一个数字，且数字越大图像质量越高，还可以标记为差、中下、中、中上、优等，此处不再一一举例。
在样本对训练的过程中，深度学习模型已经从图像样本对中学习到了不同图像质量程度的特征；此处可以通过少量标记有图像质量的图像，对不同图像质量分类进行学习，从而得到图像质量评估模型。
利用标记有图像质量的图像训练模型的具体方式可以参见相关技术中的训练方式。具体的，可以将图像输入到深度学习模型中，得到图像质量的预测结果，根据预测结果与图像标记的图像质量计算损失，并根据损失更新深度学习模型的参数。
例如，根据公式：Hi＝|zi-yi|，计算深度学习模型的损失，其中，Hi为深度学习模型的损失，yi是样本图像i标记的图像质量，zi为深度学习模型输出的样本图像i的图像质量的预测结果。通过反向传播算法求Hi对深度学习模型中各参数W的导数
Figure BDA0002275602070000101
然后通过随机梯度下降算法
Figure BDA0002275602070000102
更新深度学习模型的权重，直到深度学习模型的损收敛，α代表学习率。
在将第二样本集合输入第二模型之前，上述方法还包括将第二模型输出层网络的参数初始化。
虽然第二模型能够从样本对中学习到不同图像质量的特征，但是无法对各图像进行分类，即无法输出图像具体对应的质量等级，这是因为样本对未标记图像质量的类型。为了减少样本对对输出层网络分类的影响，可以将第二模型的输出层网络的参数初始化，然后再次进行训练，从而提高输出层网络分类的准确度，进一步提高模型的性能。输出层网络的参数初始化的方法可以参见相关技术中网络参数初始化的方法，例如可以采用随机赋值的方式进行初始化等。
在本申请实施例中，利用已知图像质量高低的样本对，对第一模型进行初步训练，得到第二模型，能够使第二模型学习到不同图像质量程度的图像的特征；然后再利用少量标记有图像质量的样本图像对第二模型进行分类训练，从而得到图像质量评估模型。通过将样本对加入训练，能够大大增加训练数据集的数量，使得深度学习模型有丰富的学习素材，减少过拟合的情况，能够增加模型的性能。
在一种可能的实施方式中，参见图3，在将第一样本集合输入预设的第一模型之前，还包括通过以下方法生成至少两个样本对：
S31，对于预先获取的每张待处理图像进行降质处理，得到至少两个样本对。
待处理图像为未经人工标记的图像，分别针对每个待处理图像进行降质处理。降质处理的方法可以按照实际情况自定义选取，在一种可能的实施方式中，降质处理包括压缩处理、模糊处理、噪声处理中的一种或多种，例如，可以采用高斯模糊、高斯噪声或JPEG(Joint Photographic Experts Group)压缩等方式中的一种或多种，对各待处理图像进行降质处理。
具体的，可以设置多种降质程度，经不同降质程度降质后的待处理图像的图像质量不同。针对任一待处理图像，分别通过各降质程度对该待处理图像进行降质处理，然后在该待处理图像及该待处理图像降质得到的图像中，选取两张图像作为一个样本对，当然也可以在其中选取多个样本对。在一种可能的实施方式中，对于预先获取的每张待处理图像进行降质处理，得到至少两个样本对，包括：对于预先获取的每张待处理图像进行一次降质处理，并基于原图像和降质后的图像生成一个样本对；或对于预先获取的每张待处理图像进行两次不同程度的降质处理，得到质量低于原图像的第一降质图像和第二降质图像，并基于第一降质图像和第二降质图像生成一个样本对。
在自动生成样本对的同时，还可以自动对样本对标记第一标签。在一种可能的实施方式中，参见图3，上述方法还包括：
S32，根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，其中，降质处理程度越大的图像的质量越低。
样本对中的两张图像是经过不同程度的降质处理后得到的，降质处理程度越大的图像的质量越低，因此两张图像的图像质量的高低已知，从而可以自动针对样本对进行第一标签的标注。一个样本对中包括两张图像，同一样本对中两张图像来源于同一待处理图像，且同一样本对中两张图像的图像质量不同。一种情况下，同一样本对中两个图像是由一个待处理图像经过不同程度降质处理得到的，此种情况下可以根据降质程度确定该图像样本中哪个图像的图像质量相对较高。另一种情况下，同一样本对中两个图像是一个是待处理图像，另一个是该待处理图像经过降质处理得到的，此种情况下待处理图像相比于降质处理的图像，其图像质量更高。
在本申请实施例中，第一样本集合中的样本对是自动生成及标记标签的，能够减少人工标记的工作量；样本对能够大大增加训练数据集的数量，使得深度学习模型有丰富的学习素材，减少过拟合的情况，能够增加模型的性能。
在一种可能的实施方式中，样本对中的两张图像依次为第一图像和第二图像；根据样本对中两张图像的降质处理程度，确定样本对的中两张图像的质量的高低，得到第一标签，包括：
步骤一，在第一图像的降质处理程度大于第二图像的降质处理程度时，生成第一符号作为第一标签。
步骤二，在第一图像的降质处理程度小于第二图像的降质处理程度时，生成第二符号作为第一标签。
第一符号与第二符合可以为数字，例如，第一符号可以为0，第二符号可以为1。当第一标签为第一符号时，表示第一图像的质量低于第二图像的质量；当第一标签为第二符号时，表示第一图像的质量高于第二图像的质量。具体的，上述样本对表示为
Figure BDA0002275602070000121
其中，Di表示样本对i，Ai为样本对i中的第一图像，Bi为样本对i中的第二图像，S为第一样本集合中样本对的总数量，
Figure BDA0002275602070000122
为样本对i的第一标签，且
Figure BDA0002275602070000123
在本申请实施例中，将第一标签符号化，方便第一标签的应用。
第二标签的生成方法可以参见现有技术中样本图像标签的生成方法，在一种可能的实施方式中，在将第二样本集合输入第二模型之前，还包括通过以下方法生成第二标签：
步骤A，获取与第二样本集合中每张图像对应的人工标签集合，其中，人工标签集合包括至少两个人工标签，每个人工标签用于表示图像被人为识别出的质量级别。
步骤B，综合人工标签集合中的人工标签数量和每个人工标签的质量级别生成第二标签。
一个样本图像的人工标签集合中包括N(N为大于1的整数)个人独立标记的该样本图像的图像质量的级别，例如可以标记为1-10中的一个数字，且数字越大图像质量越高。将一样本图像的人工标签集合的各图像质量求平均值，得到该样本图像的第二标签。
在一种可能的实施方式中，参见图4，上述将第一样本集合输入预设的第一模型，以对第一模型进行训练，得到第二模型，包括：
S111，从在第一样本集合中选取一个样本对。
具体的，为了减少过拟合的情况，可以在第一样本集合中选取一个未选取过的样本对。
S112，将选取的样本对输入第一模型，得到选取的样本对中的每个图像各自对应的质量预测结果。
将选取的样本对中的两张图像分别输入到第一模型中进行分析，得到第一图像质量预测结果及第二图像质量预测结果。选取的样本对包括两张图像，以下称为第一图像及第二图像。将第一图像输入到待训练的深度学习模型中进行分析，得到第一图像质量预测结果，将第二图像输入到待训练的深度学习模型中进行分析，得到第二图像质量预测结果。
S113，基于质量预测结果计算选取的样本对的损失参数。
基于第一图像质量预测结果及第二图像质量预测结果，计算选取的样本对的损失参数。
在一种可能的实施方式中，上述基于质量预测结果计算选取的样本对的损失参数，包括：
将选取的样本对中的两个图像的质量预测结果代入算式(1)，得到对应的样本对损失参数pi；
Figure BDA0002275602070000131
其中，A和B分别用于表示一个样本对的两个图像，i用于表示第一样本集合中第i个样本对，
Figure BDA0002275602070000132
和
Figure BDA0002275602070000133
分别用于表示一个样本对中两个图像的质量预测结果，e用于表示自然常数。具体的，
Figure BDA0002275602070000134
为第一图像质量预测结果，
Figure BDA0002275602070000135
为第二图像质量预测结果。
S114，基于损失参数和第一标签，计算选取的样本对的当前损失。
基于选取的样本对的损失参数及第一标签，计算选取的样本对的当前损失。
在一种可能的实施方式中，上述基于所述损失参数和所述第一标签，计算选取的样本对的当前损失，包括：
将所述损失参数和所述第一标签代入算式(2)，得到对应的样本对的当前损失Li；
Figure BDA0002275602070000141
其中，pi用于表示样本对的损失参数，
Figure BDA0002275602070000142
用于表示样本对的第一标签，log用于表示对数运算，log的底数为任意大于0的数。
S115，根据当前损失，调整第一模型的参数。
在得到模型的当前损失后，以减小当前损失为目的，通过当前损失反向调节第一模型的参数。具体的参数调节方法可参见相关技术中根损失调节参数的方法。在一种可能的实施方式中，上述根据当前损失，调整第一模型的参数，包括：
步骤一，通过反向传播算法计算当前损失对第一模型各参数的导数。
通过反向传播算法，计算Li对第一习模型中各参数W的导数：
Figure BDA0002275602070000143
步骤二，基于各参数的导数及第一模型的学习率，通过随机梯度下降算法更新第一模型的参数。
获取第一模型的学习率，通过随机梯度下降算法更新第一模型的参数，另
Figure BDA0002275602070000144
即将
Figure BDA0002275602070000145
的值赋予参数W，其中，α代表学习率。
本领域技术人员可以理解的是，学习率α可以根据训练的实际情进行调整，在每个阶段的训练完成后，例如每次训练指定数量的图像样本对后，可以通过验证集的图像样本对对深度学习模型进行验证，然后根据验证结果调整学习率及需要更新的参数等。
S116，从在第一样本集合中选取样本对重复上述步骤，直至满足预设结束条件，得到第二模型。
返回上述S111，从在第一样本集合中选取一个样本对的步骤继续执行，直至满足预设结束条件，得到第二模型。预设结束条件可以根据实际情况自定义设定，例如，可以设置为深度学习模型的损失收敛，或者设置为达到预设的训练次数等。
在本申请实施例中，给出了第二模型的训练过程，基于同一图像样本对中两张图像的图像质量预测结果，计算模型的损失，进而更新模型的参数，使得模型有丰富的学习素材，减少过拟合的情况，能够增加模型的性能。
本申请实施例还提供了一种图像质量评估方法，包括：
将待评估的图像输入图像质量评估模型，得到质量评估结果；其中，图像质量评估模型采用上述任一图像质量评估模型训练方法得到。
在本申请实施例中，实现了通过图像质量评估模型对待检测图像进行图像质量预测，图像质量预测结果准确度高。
本申请实施例还提供了一种图像质量评估模型训练装置，参见图5，该装置包括：
第一模型训练模块501，用于将第一样本集合输入预设的第一模型，以对
第一模型进行训练，得到第二模型，其中，第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个样本对包括内容相同且质量不同的两张图像，第一标签用于标识样本对的中两张图像的质量的高低；
第二模型训练模块502，用于将第二样本集合输入第二模型，以对第二模型进行训练，得到图像质量评估模型，其中，第二样本集合包括：多张图像和与每张图像对应的第二标签，第二标签用于标识图像质量。
在一种可能的实施方式中，上述装置还包括：
图像降质模块，用于对于预先获取的每张待处理图像进行降质处理，得到至少两个样本对。
在一种可能的实施方式中，上述装置还包括：
第一标签生成模块，用于根据样本对中两张图像的降质处理程度，确定样本对的中两张图像的质量的高低，得到第一标签，其中，降质处理程度越大的图像的质量越低。
在一种可能的实施方式中，样本对中的两张图像依次为第一图像和第二图像；第一标签生成模块，具体用于：
在第一图像的降质处理程度大于第二图像的降质处理程度时，生成第一符号作为第一标签；
在第一图像的降质处理程度小于第二图像的降质处理程度时，生成第二符号作为第一标签。
在一种可能的实施方式中，降质处理包括压缩处理、模糊处理、噪声处理中的一种或多种。
在一种可能的实施方式中，图像降质模块，具体用于：
对于预先获取的每张待处理图像进行一次降质处理，并基于原图像和降质后的图像生成一个样本对；或
对于预先获取的每张待处理图像进行两次不同程度的降质处理，得到质量低于原图像的第一降质图像和第二降质图像，并基于第一降质图像和第二降质图像生成一个样本对。
在一种可能的实施方式中，装置还包括，第二标签生成模块，用于：获取与第二样本集合中每张图像对应的人工标签集合，其中，人工标签集合包括至少两个人工标签，每个人工标签用于表示图像被人为识别出的质量级别；综合人工标签集合中的人工标签数量和每个人工标签的质量级别生成第二标签。
在一种可能的实施方式中，预设的第一模型包括特征提取网络、池化层网络及输出层网络；特征提取网络用于对输入的图像进行特征提取，得到图像特征；池化层网络用于对输入的图像特征进行全局平均池化操作，得到全局特征；输出层网络用于对输入的全局特征进行分析，得到质量预测结果。
在一种可能的实施方式中，第一模型训练模块，包括：
样本对选取子模块，用于从在第一样本集合中选取一个样本对；
图像质量预测子模块，用于将选取的样本对输入第一模型，得到选取的样本对中的每个图像各自对应的质量预测结果；
损失参数计算子模块，用于基于质量预测结果计算选取的样本对的损失参数；
当前损失计算子模块，用于基于损失参数和第一标签，计算选取的样本对的当前损失；
模型参数调整子模块，用于根据当前损失，调整第一模型的参数；
第二模型获取子模块，用于返回上述样本对选取子模块继续执行，直至满足预设结束条件，得到第二模型。
在一种可能的实施方式中，损失参数计算子模块，具体用于：
将选取的样本对中的两个图像的质量预测结果代入算式1，得到对应的样本对损失参数pi；
Figure BDA0002275602070000171
其中，A和B分别用于表示一个样本对的两个图像，i用于表示第一样本集合中第i个样本对，
Figure BDA0002275602070000172
和
Figure BDA0002275602070000173
分别用于表示一个样本对中两个图像的质量预测结果，e用于表示自然常数。
在一种可能的实施方式中，当前损失计算子模块，具体用于：
将损失参数和第一标签代入算式2，得到对应的样本对的当前损失Li；
Figure BDA0002275602070000174
其中，pi用于表示样本对的损失参数，
Figure BDA0002275602070000175
用于表示样本对的第一标签，log用于表示对数运算。
本申请实施例还提供了一种图像质量评估装置，包括：
图像质量评估模块，用于将待评估的图像输入图像质量评估模型，得到质量评估结果；其中，图像质量评估模型采用采用上述任一图像质量评估模型训练方法得到。
本申请实施例还提供了一种电子设备，包括：处理器及存储器；
上述存储器，用于存放计算机程序；
上述处理器用于执行上述存储器存放的计算机程序时，实现如下步骤：
将第一样本集合输入预设的第一模型，以对第一模型进行训练，得到第二模型，其中，第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个样本对包括内容相同且质量不同的两张图像，第一标签用于标识样本对的中两张图像的质量的高低；将第二模型输出层网络的参数初始化；将第二样本集合输入第二模型，以对第二模型进行训练，得到图像质量评估模型，其中，第二样本集合包括：多张图像和与每张图像对应的第二标签，第二标签用于标识图像质量。
可选的，参见图6，本申请实施例的电子设备还包括通信接口602和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
可选的，上述处理器用于执行上述存储器存放的计算机程序时，还能够实现上述任一图像质量评估模型训练方法。
本申请实施例还提供了一种电子设备，包括：处理器及存储器；
上述存储器，用于存放计算机程序；
上述处理器用于执行上述存储器存放的计算机程序时，实现上述任一图像质量评估方法。
上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质内存储有计算机程序，上述计算机程序被处理器执行时实现上述任一图像质量评估模型训练方法。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质内存储有计算机程序，上述计算机程序被处理器执行时实现上述任一图像质量评估方法。
需要说明的是，在本文中，各个可选方案中的技术特征只要不矛盾均可组合来形成方案，这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置、电子设备及存储介质的实施例而言，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。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (24)

1.一种图像质量评估模型训练方法，其特征在于，所述方法包括：
将第一样本集合输入预设的第一模型，以对所述第一模型进行训练，得到第二模型，其中，所述第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个所述样本对包括内容相同且质量不同的两张图像，所述第一标签用于标识所述样本对中的两张图像的质量的高低；
将第二样本集合输入所述第二模型，以对所述第二模型进行训练，得到图像质量评估模型，其中，所述第二样本集合包括：多张图像和与每张图像对应的第二标签，所述第二标签用于标识图像质量；
所述将第一样本集合输入预设的第一模型，以对所述第一模型进行训练，得到第二模型，包括：
从所述第一样本集合中选取一个样本对；
将选取的样本对输入所述第一模型，得到选取的样本对中的每个图像各自对应的质量预测结果；
基于所述质量预测结果计算选取的样本对的损失参数；
基于所述损失参数和所述第一标签，计算选取的样本对的当前损失；
根据所述当前损失，调整所述第一模型的参数；
从所述第一样本集合中选取样本对重复上述步骤，直至满足预设结束条件，得到所述第二模型。
2.根据权利要求1所述的方法，其特征在于，在所述将第一样本集合输入预设的第一模型之前，还包括通过以下方法生成所述至少两个样本对：
对于预先获取的每张待处理图像进行降质处理，得到所述至少两个样本对。
3.根据权利要求2所述的方法，其特征在于，在所述将第一样本集合输入预设的第一模型之前，还包括通过以下方法生成所述第一标签：
根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，其中，降质处理程度越大的图像的质量越低。
4.根据权利要求3所述的方法，其特征在于，所述样本对中的两张图像依次为第一图像和第二图像；所述根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，包括：
在所述第一图像的降质处理程度大于所述第二图像的降质处理程度时，生成第一符号作为所述第一标签；
在所述第一图像的降质处理程度小于所述第二图像的降质处理程度时，生成第二符号作为所述第一标签。
5.根据权利要求2所述的方法，其特征在于，所述降质处理包括压缩处理、模糊处理、噪声处理中的一种或多种。
6.根据权利要求2所述的方法，其特征在于，所述对于预先获取的每张待处理图像进行降质处理，得到所述至少两个样本对，包括：
对于预先获取的每张待处理图像进行一次降质处理，并基于原图像和降质后的图像生成一个样本对；或
对于预先获取的每张待处理图像进行两次不同程度的降质处理，得到质量低于原图像的第一降质图像和第二降质图像，并基于第一降质图像和第二降质图像生成一个样本对。
7.根据权利要求1-6任一项所述的方法，其特征在于，在所述将第二样本集合输入所述第二模型之前，还包括通过以下方法生成所述第二标签：
获取与所述第二样本集合中每张图像对应的人工标签集合，其中，所述人工标签集合包括至少两个人工标签，每个人工标签用于表示所述图像被人为识别出的质量级别；
综合所述人工标签集合中的人工标签数量和每个人工标签的质量级别生成所述第二标签。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述预设的第一模型包括特征提取网络、池化层网络及输出层网络；所述特征提取网络用于对输入的图像进行特征提取，得到图像特征；所述池化层网络用于对输入的图像特征进行全局平均池化操作，得到全局特征；所述输出层网络用于对输入的全局特征进行分析，得到质量预测结果。
9.根据权利要求1所述的方法，其特征在于，所述基于所述质量预测结果计算选取的样本对的损失参数，包括：
将选取的样本对中的两个图像的质量预测结果代入算式1，得到对应的样本对损失参数pi；
其中，A和B分别用于表示一个样本对的两个图像，i用于表示所述第一样本集合中第i个样本对，和分别用于表示一个样本对中两个图像的质量预测结果，e用于表示自然常数。
10.根据权利要求1所述的方法，其特征在于，所述基于所述损失参数和所述第一标签，计算选取的样本对的当前损失，包括：
将所述损失参数和所述第一标签代入算式2，得到对应的样本对的当前损失Li；
其中，pi用于表示样本对的损失参数，用于表示样本对的第一标签，log用于表示对数运算。
11.一种图像质量评估方法，其特征在于，包括：
将待评估的图像输入图像质量评估模型，得到质量评估结果；其中，所述图像质量评估模型采用权利要求1-10任一项所述的方法训练得到。
12.一种图像质量评估模型训练装置，其特征在于，所述装置包括：
第一模型训练模块，用于将第一样本集合输入预设的第一模型，以对所述第一模型进行训练，得到第二模型，其中，所述第一样本集合包括至少两个样本对和与每个样本对对应的第一标签，每个所述样本对包括内容相同且质量不同的两张图像，所述第一标签用于标识所述样本对中的两张图像的质量的高低；
第二模型训练模块，用于将第二样本集合输入所述第二模型，以对所述第二模型进行训练，得到图像质量评估模型，其中，所述第二样本集合包括：至少一张图像和与每张图像对应的第二标签，所述第二标签用于标识图像质量；
所述第一模型训练模块，包括：
样本对选取子模块，用于从所述第一样本集合中选取一个样本对；
图像质量预测子模块，用于将选取的样本对输入所述第一模型，得到选取的样本对中的每个图像各自对应的质量预测结果；
损失参数计算子模块，用于基于所述质量预测结果计算选取的样本对的损失参数；
当前损失计算子模块，用于基于所述损失参数和所述第一标签，计算选取的样本对的当前损失；
模型参数调整子模块，用于根据所述当前损失，调整所述第一模型的参数；
第二模型获取子模块，用于返回上述样本对选取子模块继续执行，直至满足预设结束条件，得到所述第二模型。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
图像降质模块，用于对于预先获取的每张待处理图像进行降质处理，得到所述至少两个样本对。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
第一标签生成模块，用于根据所述样本对中两张图像的降质处理程度，确定所述样本对的中两张图像的质量的高低，得到所述第一标签，其中，降质处理程度越大的图像的质量越低。
15.根据权利要求14所述的装置，其特征在于，所述样本对中的两张图像依次为第一图像和第二图像；所述第一标签生成模块，具体用于：
在所述第一图像的降质处理程度大于所述第二图像的降质处理程度时，生成第一符号作为所述第一标签；
在所述第一图像的降质处理程度小于所述第二图像的降质处理程度时，生成第二符号作为所述第一标签。
16.根据权利要求13所述的装置，其特征在于，所述降质处理包括压缩处理、模糊处理、噪声处理中的一种或多种。
17.根据权利要求13所述的装置，其特征在于，所述图像降质模块，具体用于：
对于预先获取的每张待处理图像进行一次降质处理，并基于原图像和降质后的图像生成一个样本对；或
对于预先获取的每张待处理图像进行两次不同程度的降质处理，得到质量低于原图像的第一降质图像和第二降质图像，并基于第一降质图像和第二降质图像生成一个样本对。
18.根据权利要求12-17任一所述的装置，其特征在于，所述装置还包括，第二标签生成模块，用于：
获取与所述第二样本集合中每张图像对应的人工标签集合，其中，所述人工标签集合包括至少两个人工标签，每个人工标签用于表示所述图像被人为识别出的质量级别；
综合所述人工标签集合中的人工标签数量和每个人工标签的质量级别生成所述第二标签。
19.根据权利要求12-17任一所述的装置，其特征在于，所述预设的第一模型包括特征提取网络、池化层网络及输出层网络；所述特征提取网络用于对输入的图像进行特征提取，得到图像特征；所述池化层网络用于对输入的图像特征进行全局平均池化操作，得到全局特征；所述输出层网络用于对输入的全局特征进行分析，得到质量预测结果。
20.根据权利要求12所述的装置，其特征在于，所述损失参数计算子模块，具体用于：
将选取的样本对中的两个图像的质量预测结果代入算式1，得到对应的样本对损失参数pi；
其中，A和B分别用于表示一个样本对的两个图像，i用于表示所述第一样本集合中第i个样本对，和分别用于表示一个样本对中两个图像的质量预测结果，e用于表示自然常数。
21.根据权利要求12所述的装置，其特征在于，所述当前损失计算子模块，具体用于：
将所述损失参数和所述第一标签代入算式2，得到对应的样本对的当前损失Li；
其中，pi用于表示样本对的损失参数，用于表示样本对的第一标签，log用于表示对数运算。
22.一种图像质量评估装置，其特征在于，包括：
图像质量评估模块，用于将待评估的图像输入图像质量评估模型，得到质量评估结果；其中，所述图像质量评估模型采用权利要求1-10任一项所述的方法训练得到。
23.一种电子设备，其特征在于，包括处理器及存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-10任一所述的图像质量评估模型训练方法。
24.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10任一所述的图像质量评估模型训练方法。
CN201911121588.5A 2019-11-15 2019-11-15 图像质量评估模型训练方法、装置、电子设备及存储介质 Active CN110956615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911121588.5A CN110956615B (zh) 2019-11-15 2019-11-15 图像质量评估模型训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911121588.5A CN110956615B (zh) 2019-11-15 2019-11-15 图像质量评估模型训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110956615A CN110956615A (zh) 2020-04-03
CN110956615B true CN110956615B (zh) 2023-04-07

Family

ID=69977517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911121588.5A Active CN110956615B (zh) 2019-11-15 2019-11-15 图像质量评估模型训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110956615B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639744B (zh) * 2020-04-15 2023-09-22 北京迈格威科技有限公司 学生模型的训练方法、装置及电子设备
CN112149733B (zh) * 2020-09-23 2024-04-05 北京金山云网络技术有限公司 模型训练、质量确定方法、装置、电子设备及存储介质
CN112164102A (zh) * 2020-09-24 2021-01-01 北京三快在线科技有限公司 一种图像处理方法及装置
CN112785585B (zh) * 2021-02-03 2023-07-28 腾讯科技（深圳）有限公司 基于主动学习的图像视频质量评价模型的训练方法以及装置
CN112907541B (zh) * 2021-02-23 2023-11-21 厦门熵基科技有限公司 一种手掌图像质量评估模型构建方法及装置
CN112950581A (zh) * 2021-02-25 2021-06-11 北京金山云网络技术有限公司 质量评估方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018054283A1 (zh) * 2016-09-23 2018-03-29 北京眼神科技有限公司 人脸模型的训练方法和装置、人脸认证方法和装置
CN108269250A (zh) * 2017-12-27 2018-07-10 武汉烽火众智数字技术有限责任公司 基于卷积神经网络评估人脸图像质量的方法和装置
CN108269254A (zh) * 2018-01-17 2018-07-10 百度在线网络技术（北京）有限公司 图像质量评估方法和装置
CN109685785A (zh) * 2018-12-20 2019-04-26 上海众源网络有限公司 一种图像质量评估方法、装置及电子设备
CN110047071A (zh) * 2019-04-26 2019-07-23 杭州智趣智能信息技术有限公司 一种图像质量评估方法、装置和介质
CN110211119A (zh) * 2019-06-04 2019-09-06 厦门美图之家科技有限公司 图像质量评估方法、装置、电子设备及可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10002415B2 (en) * 2016-04-12 2018-06-19 Adobe Systems Incorporated Utilizing deep learning for rating aesthetics of digital images
US11537869B2 (en) * 2017-02-17 2022-12-27 Twitter, Inc. Difference metric for machine learning-based processing systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018054283A1 (zh) * 2016-09-23 2018-03-29 北京眼神科技有限公司 人脸模型的训练方法和装置、人脸认证方法和装置
CN108269250A (zh) * 2017-12-27 2018-07-10 武汉烽火众智数字技术有限责任公司 基于卷积神经网络评估人脸图像质量的方法和装置
CN108269254A (zh) * 2018-01-17 2018-07-10 百度在线网络技术（北京）有限公司 图像质量评估方法和装置
CN109685785A (zh) * 2018-12-20 2019-04-26 上海众源网络有限公司 一种图像质量评估方法、装置及电子设备
CN110047071A (zh) * 2019-04-26 2019-07-23 杭州智趣智能信息技术有限公司 一种图像质量评估方法、装置和介质
CN110211119A (zh) * 2019-06-04 2019-09-06 厦门美图之家科技有限公司 图像质量评估方法、装置、电子设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
dipIQ: Blind Image Quality Assessment by Learning-to-Rank Discriminable Image Pairs;Kede Ma 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20170831;第26卷(第8期);全文 *

Also Published As

Publication number Publication date
CN110956615A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110956615B (zh) 图像质量评估模型训练方法、装置、电子设备及存储介质
CN108171203B (zh) 用于识别车辆的方法和装置
CN110599451A (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
CN111582150B (zh) 一种人脸质量评估的方法、装置和计算机存储介质
JP2021532434A (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN110909784B (zh) 一种图像识别模型的训练方法、装置及电子设备
CN111210399B (zh) 一种成像质量评价方法、装置及设备
CN110135505B (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
Alharbi et al. Automatic counting of wheat spikes from wheat growth images
CN109522775B (zh) 人脸属性检测方法、装置及电子设备
CN111967464B (zh) 一种基于深度学习的弱监督目标定位方法
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN113111947B (zh) 图像处理方法、装置和计算机可读存储介质
CN110610123A (zh) 一种多目标车辆检测方法、装置、电子设备及存储介质
CN111915595A (zh) 图像质量评价方法、图像质量评价模型的训练方法和装置
CN110111311B (zh) 一种图像质量评价方法和装置
CN113706472B (zh) 公路路面病害检测方法、装置、设备及存储介质
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
KR102230559B1 (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
CN111179245B (zh) 图像质量检测方法、装置、电子设备和存储介质
CN112417974A (zh) 一种公共卫生监控方法
CN117475253A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN112597997A (zh) 感兴趣区域确定方法、图像内容识别方法及装置
CN116612355A (zh) 人脸伪造识别模型训练方法和装置、人脸识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant