CN111199186A - 图像质量评分模型训练方法、装置、设备及存储介质 - Google Patents
图像质量评分模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111199186A CN111199186A CN201911222233.5A CN201911222233A CN111199186A CN 111199186 A CN111199186 A CN 111199186A CN 201911222233 A CN201911222233 A CN 201911222233A CN 111199186 A CN111199186 A CN 111199186A
- Authority
- CN
- China
- Prior art keywords
- training
- sample face
- scores
- image
- face images
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像质量评分模型训练方法、装置、设备及存储介质。本发明中获取多张样本人脸图像以组成训练集,并对多张样本人脸图像分别标注综合质量评分;根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集;基于N个训练子集训练获得图像质量评分模型。该图像质量评分模型基于大量样本数据训练获得,且是基于样本的综合质量评分数据训练得到,因此基于该图像质量评分模型获得的图像质量综合评分准确性较高。
Description
技术领域
本发明涉及图像质量评价领域,特别是涉及一种图像质量评分模型训练方法、装置、设备及存储介质。
背景技术
现有对图像质量进行综合评价的方式为多指标加权计算方式,通过对图像的对比度、明亮度、清晰度和图像中人脸位置信息等多种评价指标来评价人脸图像质量,得出各自的评价系数(0-1.0),然后再通过各系数所占的权重(1-100)进行加权计算,最后得出图像的综合评价得分。该多指标加权计算方式中,各系数所占的权重难以确定和调整,难以获得一组较为准确的权重值,因此基于多指标加权计算方式难以获得较为准确的图像质量综合评分。
发明内容
本发明主要提供一种图像质量评分模型训练方法,能够克服现有的基于多指标加权计算方式难以获得较为准确的图像质量综合评分的问题。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种图像质量评分模型训练方法,所述图像质量评分模型训练方法应用于服务器,所述图像质量评分模型训练方法包括:
获取多张样本人脸图像以组成训练集,并对多张所述样本人脸图像分别标注综合质量评分;
根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为N个训练子集,每个所述训练子集中的样本人脸图像的综合质量评分的分值个数与所述训练集中多张样本人脸图像的综合质量评分的分值个数相同;其中,N为大于或等于1的整数;
基于N个所述训练子集训练获得所述图像质量评分模型。
优选地,所述对多张所述样本人脸图像分别标注综合质量评分的步骤具体包括:
针对每张所述样本人脸图像,基于多个评价维度分别对所述样本人脸图像进行评价,以获取多个维度评分;
根据每张所述样本人脸图像的多个维度评分,标注每张所述样本人脸图像的综合质量评分。
优选地,所述多个评价维度包括:人脸区域占所述样本人脸图像的比例、明亮度、清晰度、对比度、人脸姿态、人脸夸张表情及人脸遮挡。
优选地,所述根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为N个训练子集的步骤具体包括:
根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为多个分值组,每个分值组中的多张样本人脸图像的综合质量评分相同;
从每个所述分值组中抽取一张或多张样本人脸图像以组成一训练子集,将多张所述样本人脸图像抽取分为N个训练子集。
优选地,所述基于N个所述训练子集训练获得所述图像质量评分模型的步骤具体包括:
基于第一训练子集训练获得第一决策树模型;
根据第二训练子集对所述第一决策树模型进行矫正以得到第二决策树模型;
根据第i训练子集对第i-1决策树模型进行矫正以得到第i决策树模型;其中3≤i≤N,i为整数;
根据第N训练子集对第N-1决策树模型进行矫正以得到第N决策树模型,所述第N决策树模型为所述图像质量评分模型。
优选地,所述根据第二训练子集对所述第一决策树模型进行矫正以得到第二决策树模型的步骤具体包括:
根据所述第一决策树模型分别获取所述第二训练子集中的多张样本人脸图像的图像质量预测分值;
依次判断多张所述样本人脸图像的预测分值与其所标注的综合质量评分的分值是否相同;
若否,则根据所述样本人脸图像的预测分值对其所标注的综合质量评分进行矫正,将矫正后的多张样本人脸图像加入所述第一训练子集以得到更新的第一训练子集;
对所述更新的第一训练子集训练以获得所述第二决策树模型。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种图像质量评分模型训练装置,所述图像质量评分模型训练装置包括:
评分标注模块,用于获取多张样本人脸图像以组成训练集,并对多张所述样本人脸图像分别标注综合质量评分;
训练子集获取模块,用于根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为N个训练子集,每个所述训练子集中的样本人脸图像的综合质量评分的分值个数与所述训练集中多张样本人脸图像的综合质量评分的分值个数相同;其中,N为大于或等于1的整数;
模型训练模块,用于基于N个所述训练子集训练获得所述图像质量评分模型。
优选地,所述评分标注模块包括:
维度评分单元,用于针对每张所述样本人脸图像,基于多个评价维度分别对所述样本人脸图像进行评价,以获取多个维度评分;
标注单元,用于根据每张所述样本人脸图像的多个维度评分,标注每张所述样本人脸图像的综合质量评分。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种计算机设备,所述计算机设备包括处理器以及存储器,所述处理器耦合所述存储器,所述处理器在工作时执行指令以实现上述的图像质量评分模型训练方法。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述的图像质量评分模型训练方法。
本发明的有益效果是:区别于现有技术的情况,本发明中,获取多张样本人脸图像以组成训练集,并对多张样本人脸图像分别标注综合质量评分;根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集;基于N个训练子集训练获得图像质量评分模型。该图像质量评分模型基于大量样本数据训练获得,且是基于样本的综合质量评分数据训练得到,因此基于该图像质量评分模型获得的图像质量综合评分准确性较高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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,其中:
图1是本发明一实施例提供的图像质量评分模型训练方法的流程图;
图2是本发明另一实施例提供的标注综合质量评分的流程图;
图3是本发明另一实施例提供的第二决策树模型的训练流程图;
图4是本发明另一实施例提供的图像质量评分模型训练装置的结构示意图;
图5是本发明另一实施例提供的计算机设备的结构示意图;
图6是本发明另一实施例提供的存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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。
实施例一
图1为本发明一实施例提供的图像质量评分模型的训练流程图,该图像质量评分模型的训练过程包括以下步骤S100、步骤S200及步骤S300。
步骤S100:获取多张样本人脸图像以组成训练集,并对多张样本人脸图像分别标注综合质量评分。
具体的,获取多张样本人脸图像,该多张样本人脸图像构成训练集中的训练数据。
具体的,如图2所示,对多张样本人脸图像分别标注综合质量评分的步骤具体包括:
步骤S101:针对每张样本人脸图像,基于多个评价维度分别对样本人脸图像进行评价,以获取多个维度评分。
其中,可通过人脸检测器从样本人脸图像中检测出人脸框和人脸关键点,进而基于样本人脸图像、人脸框及人脸关键点从多个评价维度分别对人脸图像进行评价。多个评价维度包括:人脸区域占样本人脸图像的比例、明亮度、清晰度、对比度、人脸姿态、人脸夸张表情及人脸遮挡。通过计算人脸区域占样本人脸图像的比例对样本人脸图像进行评价,得到一评价分值;通过计算人脸图像的明亮度对样本人脸图像进行评价,得到一评价分值;以此类推,从多个评价维度对样本人脸图像进行评价,得到多个评价分值。针对每张样本人脸图像,通过现有技术手段计算人脸区域占样本人脸图像的比例、人脸图像的明亮度、清晰度、对比度及人脸姿态,通过卷积神经网络识别人脸夸张表情及人脸遮挡,并对各个计算结果及识别结果进行归一化处理,归一化至0-10分的分值范围内,归一化后的分值即为维度评分。
步骤S102:根据每张样本人脸图像的多个维度评分,标注每个样本人脸图像的综合质量评分。
其中,针对每张样本人脸图像,基于多个评价维度所得到的多个维度评分,标注该样本人脸图像的综合质量评分,综合质量评分可设定为1-10分的分值范围内。
步骤S200:根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集,每个训练子集中的样本人脸图像的综合质量评分的分值个数与训练集中多张样本人脸图像的综合质量评分的分值个数相同;其中,N为大于或等于1的整数。
具体的,训练子集的数量可自由设定,如可设定为N=5。如训练集中所有样本人脸图像的综合质量评分的分值包括1分、2分、3分、4分及5分,分值个数为5,则每个训练子集中的多个样本人脸图像的综合质量评分的分值也包括1分、2分、3分、4分及5分。
进一步具体的,根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集的步骤具体包括:根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为多个分值组,每个分值组中的多张样本人脸图像的综合质量评分相同;从每个分值组中抽取一张或多张样本人脸图像以组成一训练子集,将多张样本人脸图像抽取分为N个训练子集。例如:若训练集中的样本人脸图像的综合质量评分的分值包括1分、2分、3分、4分及5分,则将该训练集中的多张样本人脸图像分至5个分值组中,5个分值组包括1分分值组、2分分值组、3分分值组、4分分值组及5分分值组,1分分值组中的所有样本人脸图像的综合质量评分均为1分,2分分值组中的所有样本人脸图像的综合质量评分均为2分,以此类推其他分值组。然后从每个分值组中抽取一张或多张样本人脸图像组成一个训练子集,如可从1分分值组中、2分分值组中、3分分值组中、4分分值组中及5分分值组中分别抽取一张样本人脸图像组成一个训练子集,该训练子集中包括5个分值的5张样本人脸图像。以此抽取方式将训练集抽取分为5(N=5)个训练子集,每个训练子集中的样本人脸图像不相同。
步骤S300:基于N个训练子集训练获得图像质量评分模型。
具体的,基于第一训练子集训练获得第一决策树模型;根据第二训练子集对第一决策树模型进行矫正以得到第二决策树模型;根据第i训练子集对第i-1决策树模型进行矫正以得到第i决策树模型;其中3≤i≤N,i为整数;根据第N训练子集对第N-1决策树模型进行矫正以得到第N决策树模型,第N决策树模型为图像质量评分模型。
进一步具体的,如图3所示,根据第二训练子集对第一决策树模型进行矫正以得到第二决策树模型的步骤具体包括步骤S301、步骤S302、步骤S303、步骤S304:
步骤S301:根据第一决策树模型分别获取第二训练子集中的多张样本人脸图像的图像质量预测分值。
具体的,针对第二训练子集中的每张样本人脸图像,将样本人脸图像的多个维度评分输入第一决策树模型,得到该样本人脸图像的图像质量预测分值。
步骤S302:依次判断多张样本人脸图像的预测分值与其所标注的综合质量评分的分值是否相同。
具体的,针对第二训练子集中的每张样本人脸图像,判断该样本人脸图像的预测分值与其所标注的综合质量评分的分值是否相同,对第二训练子集中的每张样本人脸图像均做该分值判断。
步骤S303:若否,则根据样本人脸图像的预测分值对其所标注的综合质量评分进行矫正,将矫正后的多张样本人脸图像加入第一训练子集以得到更新的第一训练子集。
具体的,针对第二训练子集中的每张样本人脸图像,若该样本人脸图像的预测分值与其所标注的综合质量评分的分值不相同,则对其所标注的综合质量评分进行矫正,对第二训练子集中分值不相同的样本人脸图像均做该矫正,将矫正后的第二训练子集中的所有样本人脸图像加入第一训练子集中以得到更新的第一训练子集。其中,对标注的综合质量评分进行矫正的方案可为:取样本人脸图像的预测分值与其所标注的综合质量评分的平均值,将该平均值作为矫正后的标注的综合质量评分,若平均值为非整数,则向下取整,如平均值为6.5,则取6作为矫正后的标注的综合质量评分。
步骤S304:对更新的第一训练子集训练以获得第二决策树模型。
具体的,将矫正后的第二训练子集中的样本人脸图像加入第一训练子集中以得到更新的第一训练子集,对更新的第一训练子集训练以获得第二决策树模型。
本实施例中,根据第i(3≤i≤N)训练子集对第i-1决策树模型进行矫正以得到第i决策树模型的过程都是相同的,且与根据第二训练子集对第一决策树模型进行矫正以得到第二决策树模型的过程也是相同的,对于根据第i(3≤i≤N)训练子集对第i-1决策树模型进行矫正以得到第i决策树模型的过程在此不再一一描述。
在本发明实施例中,图像质量评分模型根据多个样本人脸图像数据训练得到,准确性高,同时,图像质量评分模型基于样本人脸图像的人脸区域占人脸图像的比例、明亮度、清晰度、对比度、人脸姿态、人脸夸张表情及人脸遮挡7个参数训练获得,因此,基于该图像质量评分模型评价获得的人脸图像的综合评分也是基于上述7个参数评价获得,评价维度多,评价结果更准确。
实施例二
图4为本发明另一实施例提供的图像质量评分模型训练装置的结构示意图,图像质量评分模型训练装置包括评分标注模块100、训练子集获取模块200及模型训练模块300。
评分标注模块100用于获取多张样本人脸图像以组成训练集,并对多张样本人脸图像分别标注综合质量评分。
训练子集获取模块200用于根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集,每个训练子集中的样本人脸图像的综合质量评分的分值个数与训练集中多张样本人脸图像的综合质量评分的分值个数相同;其中,N为大于或等于1的整数。
模型训练模块300用于基于N个训练子集训练获得图像质量评分模型。
优选地,评分标注模块包括维度评分单元和标注单元:
维度评分单元用于针对每张样本人脸图像,基于多个评价维度分别对样本人脸图像进行评价,以获取多个维度评分;
标注单元用于根据每张样本人脸图像的多个维度评分,标注每张样本人脸图像的综合质量评分。
本发明实施例提供的图像质量评分模型训练装置的具体实现与图像质量评分模型训练方法的具体实现相同,图像质量评分模型训练装置的具体实现可参阅上述实施例一的描述,在此不再赘述。
本发明实施例中,获取多张样本人脸图像以组成训练集,并对多张样本人脸图像分别标注综合质量评分;根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集;基于N个训练子集训练获得图像质量评分模型。该图像质量评分模型基于大量样本数据训练获得,且是基于样本的综合质量评分数据训练得到,因此基于该图像质量评分模型获得的图像质量综合评分准确性较高。
实施例三
图5为本发明另一实施例提供的计算机设备的结构示意图,计算机设备包括处理器400以及存储器500,处理器400耦合存储器500,处理器400在工作时执行指令以实现上述任一实施例中的图像质量评分模型训练方法。
其中,处理器400还可以称为CPU(Central Processing Unit,中央处理单元)。处理器400可能是一种集成电路芯片,具有信号的处理能力。处理器400还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器,但不仅限于此。
实施例四
参阅图6,图6是本发明另一实施例提供的存储介质的示意图,本实施例中的计算机可读存储介质存储有计算机程序600,该计算机程序600能够被处理器400执行以实现上述任一实施例中的图像质量评分模型训练方法。
可选的,该可读存储介质可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、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,或者是计算机、服务器、手机、平板等终端设备。
本发明中获取多张样本人脸图像以组成训练集,并对多张样本人脸图像分别标注综合质量评分;根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集;基于N个训练子集训练获得图像质量评分模型。该图像质量评分模型基于大量样本数据训练获得,且是基于样本的综合质量评分数据训练得到,因此基于该图像质量评分模型获得的图像质量综合评分准确性较高。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.图像质量评分模型训练方法,所述图像质量评分模型训练方法应用于服务器,其特征在于,所述图像质量评分模型训练方法包括:
获取多张样本人脸图像以组成训练集,并对多张所述样本人脸图像分别标注综合质量评分;
根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为N个训练子集,每个所述训练子集中的样本人脸图像的综合质量评分的分值个数与所述训练集中多张样本人脸图像的综合质量评分的分值个数相同;其中,N为大于或等于1的整数;
基于N个所述训练子集训练获得所述图像质量评分模型。
2.根据权利要求1所述的图像质量评分模型训练方法,其特征在于,所述对多张所述样本人脸图像分别标注综合质量评分的步骤具体包括:
针对每张所述样本人脸图像,基于多个评价维度分别对所述样本人脸图像进行评价,以获取多个维度评分;
根据每张所述样本人脸图像的多个维度评分,标注每张所述样本人脸图像的综合质量评分。
3.根据权利要求2所述的图像质量评分模型训练方法,其特征在于,所述多个评价维度包括:人脸区域占所述样本人脸图像的比例、明亮度、清晰度、对比度、人脸姿态、人脸夸张表情及人脸遮挡。
4.根据权利要求3所述的图像质量评分模型训练方法,其特征在于,所述根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为N个训练子集的步骤具体包括:
根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为多个分值组,每个分值组中的多张样本人脸图像的综合质量评分相同;
从每个所述分值组中抽取一张或多张样本人脸图像以组成一训练子集,将多张所述样本人脸图像抽取分为N个训练子集。
5.根据权利要求4所述的图像质量评分模型训练方法,其特征在于,所述基于N个所述训练子集训练获得所述图像质量评分模型的步骤具体包括:
基于第一训练子集训练获得第一决策树模型;
根据第二训练子集对所述第一决策树模型进行矫正以得到第二决策树模型;
根据第i训练子集对第i-1决策树模型进行矫正以得到第i决策树模型;其中3≤i≤N,i为整数;
根据第N训练子集对第N-1决策树模型进行矫正以得到第N决策树模型,所述第N决策树模型为所述图像质量评分模型。
6.根据权利要求5所述的图像质量评分模型训练方法,其特征在于,所述根据第二训练子集对所述第一决策树模型进行矫正以得到第二决策树模型的步骤具体包括:
根据所述第一决策树模型分别获取所述第二训练子集中的多张样本人脸图像的图像质量预测分值;
依次判断多张所述样本人脸图像的预测分值与其所标注的综合质量评分的分值是否相同;
若否,则根据所述样本人脸图像的预测分值对其所标注的综合质量评分进行矫正,将矫正后的多张样本人脸图像加入所述第一训练子集以得到更新的第一训练子集;
对所述更新的第一训练子集训练以获得所述第二决策树模型。
7.图像质量评分模型训练装置,其特征在于,所述图像质量评分模型训练装置包括:
评分标注模块,用于获取多张样本人脸图像以组成训练集,并对多张所述样本人脸图像分别标注综合质量评分;
训练子集获取模块,用于根据每张所述样本人脸图像所标注的综合质量评分将多张所述样本人脸图像分为N个训练子集,每个所述训练子集中的样本人脸图像的综合质量评分的分值个数与所述训练集中多张样本人脸图像的综合质量评分的分值个数相同;其中,N为大于或等于1的整数;
模型训练模块,用于基于N个所述训练子集训练获得所述图像质量评分模型。
8.根据权利要求7所述的图像质量评分模型训练装置,其特征在于,所述评分标注模块包括:
维度评分单元,用于针对每张所述样本人脸图像,基于多个评价维度分别对所述样本人脸图像进行评价,以获取多个维度评分;
标注单元,用于根据每张所述样本人脸图像的多个维度评分,标注每张所述样本人脸图像的综合质量评分。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器,所述处理器耦合所述存储器,所述处理器在工作时执行指令以实现权利要求1~6任一项所述的图像质量评分模型训练方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行以实现权利要求1~6任一项所述的图像质量评分模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911222233.5A CN111199186A (zh) | 2019-12-03 | 2019-12-03 | 图像质量评分模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911222233.5A CN111199186A (zh) | 2019-12-03 | 2019-12-03 | 图像质量评分模型训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199186A true CN111199186A (zh) | 2020-05-26 |
Family
ID=70746889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911222233.5A Pending CN111199186A (zh) | 2019-12-03 | 2019-12-03 | 图像质量评分模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199186A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112132074A (zh) * | 2020-09-28 | 2020-12-25 | 平安养老保险股份有限公司 | 人脸图像验证方法、装置、计算机设备及存储介质 |
CN113536991A (zh) * | 2021-06-29 | 2021-10-22 | 北京百度网讯科技有限公司 | 训练集生成、人脸图像处理方法、装置及电子设备 |
WO2022262763A1 (zh) * | 2021-06-18 | 2022-12-22 | 影石创新科技股份有限公司 | 图像构图质量评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
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 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-03 CN CN201911222233.5A patent/CN111199186A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
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 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
CN112132074A (zh) * | 2020-09-28 | 2020-12-25 | 平安养老保险股份有限公司 | 人脸图像验证方法、装置、计算机设备及存储介质 |
WO2022262763A1 (zh) * | 2021-06-18 | 2022-12-22 | 影石创新科技股份有限公司 | 图像构图质量评估方法及装置 |
CN113536991A (zh) * | 2021-06-29 | 2021-10-22 | 北京百度网讯科技有限公司 | 训练集生成、人脸图像处理方法、装置及电子设备 |
CN113536991B (zh) * | 2021-06-29 | 2023-06-23 | 北京百度网讯科技有限公司 | 训练集生成、人脸图像处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230359B (zh) | 目标检测方法和装置、训练方法、电子设备、程序和介质 | |
CN111199186A (zh) | 图像质量评分模型训练方法、装置、设备及存储介质 | |
CN104866805B (zh) | 人脸实时跟踪的方法和装置 | |
CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
CN108959474B (zh) | 实体关系提取方法 | |
CN110263326B (zh) | 一种用户行为预测方法、预测装置、存储介质及终端设备 | |
CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
CN110705531A (zh) | 缺失字符检测、缺失字符检测模型的建立方法及装置 | |
US20180247105A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
US9286217B2 (en) | Systems and methods for memory utilization for object detection | |
CN117315237B (zh) | 目标检测模型的确定方法及装置、存储介质 | |
CN113435499B (zh) | 标签分类方法、装置、电子设备和存储介质 | |
CN116137061B (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
CN113591647B (zh) | 人体动作识别方法、装置、计算机设备和存储介质 | |
CN113177603B (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
CN112418098A (zh) | 视频结构化模型的训练方法及相关设备 | |
CN108021918B (zh) | 文字识别方法及装置 | |
CN111708884A (zh) | 文本分类方法、装置及电子设备 | |
CN109711328B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN116187299B (zh) | 一种科技项目文本数据检定评价方法、系统及介质 | |
CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CN116776138A (zh) | 干扰数据分类方法、装置及存储介质 | |
CN114296894A (zh) | 基于日志数据的调用链智能分析方法、装置及电子设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200526 |
|
WD01 | Invention patent application deemed withdrawn after publication |