具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的图像评分方法的一个应用场景图的示意图100。
如图1所示,电子设备101可以首先获取目标图像102。然后,将上述目标图像102输入至预先训练的分数预测网络103中,输出与目标特征相对应的分数104。作为示例,将上述目标图像102输入至预先训练的分数预测网络103中,输出与模糊度对应的分数:86分。上述分数预测网络103是基于上述目标特征(例如模糊度)对应的网络层得到的,上述网络层是从预先训练的图像质量打分网络中选取的。
需要说明的是,图像评分方法可以是由电子设备101来执行。上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备101体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的图像评分方法的一些实施例的流程200。该图像评分方法,包括以下步骤:
步骤201,获取目标图像。
在一些实施例中,图像评分方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或无线连接方式获取目标图像。其中,上述目标图像可以是需要确定目标特征相对应的分数的图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。作为示例,可以从对应数据库中获取上述目标图像。
步骤202,将上述目标图像输入至预先训练的分数预测网络中,输出与目标特征相对应的分数。
在一些实施例中,上述执行主体可以将上述目标图像输入至预先训练的分数预测网络中,输出与目标特征相对应的分数。其中,上述分数预测网络是基于上述目标特征对应的网络层得到的,上述网络层是从预先训练的图像质量打分网络中选取的。上述分数可以表征着上述目标图像在上述目标特征上表现程度。上述分数预测网络可以是多层卷积神经网络(Convolutional Neural Networks,CNN)。上述目标特征可以是以下之一:模糊度,光亮强度,整体结构。需要说明的是,上述图像质量得分可以是对图像中前景和背景、物体的轮廓、纹理等特征的评分。作为示例,将上述目标图像至预先训练的分数预测网络中,输出与色差相对应的分数为55分。其中,上述分数预测网络是基于从预先训练的图像质量打分网络中选取上述色差对应的网络层得到的。
由上述一些实施例可以看出,首先,获取的目标图像。然后,将上述目标图像输入至预先训练的分数预测网络中,可以简便、准确的输出与目标特征相对应的分数,其中,上述分数预测网络是基于上述目标特征对应的网络层得到的,上述网络层是从预先训练的图像质量打分网络中选取的。该图像评分方法可以简便、准确的实现针对多个特征对该目标图像进行打分。
图3是本公开的一些实施例的分数预测网络的训练方法的一个应用场景图的示意图。
如图3所示,电子设备301可以首先可以确定图像质量打分网络302的网络结构。其中,上述图像质量打分网络302用来预测目标图像的质量得分。作为示例,上述图像质量打分网络302的网络结构包括:第一层网络3021、第二层网络3022、第三层网络3023、第四层网络3024和第五层网络3025。上述图像质量打分网络302中各个网络是可以按照一定的顺序依次连接。然后,根据已确定的目标特征,选取上述网络结构包括的第一数目层网络。作为示例,可以根据已确定的模糊度特征,通过接收人工输入的信息来选取上述网络结构包括的第一数目层网络303。其中,上述第一数目层网络303可以包括:第一层网络3031、第三层网络3032和第五层网络3033。进而,对上述第一数目层网络303增加第二数目层网络304,得到与上述目标特征相对应的分数预测网络305。作为示例,上述第二数目层网络304可以包括:第六层网络3041、第七层网络3042和第八层网络3043。将上述第二数目层网络304增加到上述第一数目层网络303,可以得到与模糊度相关联的分数预测网络305。可以得到,上述分数预测网路包括:第一层网络、第三层网络、第五层网络、第六层网络、第七层网络和第八层网络。最后,对上述分数预测网络305进行训练,得到训练后的分数预测网络306。
需要说明的是,分数预测网络的训练方法可以是由电子设备301来执行。上述电子设备301可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备301体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图3中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图4,示出了根据本公开的分数预测网络的训练方法的一些实施例的流程400。该分数预测网络的训练方法,包括以下步骤:
步骤401,确定图像质量打分网络的网络结构。
在一些实施例中,上述执行主体(例如图3所示的电子设备301)可以确定图像质量打分网络的网络结构。其中,上述图像质量打分网络用来预测目标图像的质量得分。需要说明的是,上述图像质量得分可以是对图像中前景和背景、物体的轮廓、纹理等特征的评分。作为示例,上述图像质量打分网络可以是多层循环神经网络。可以通过测试不同层数的循环神经网络的网络精度,进而,确定精度最高的多层循环神经网络的网络结构作为上述图像质量打分网络的网络结构。作为示例,可以通过接收人工输入的信息的方式来确定图像质量打分网络的网络结构。
步骤402,基于已确定的目标特征,选取上述网络结构包括的第一数目层网络。
在一些实施例中,上述执行主体可以基于已确定的目标特征,选取上述网络结构包括的第一数目层网络。作为示例,上述执行主体可以根据已确定的目标特征,通过接收人工输入的信息选取上述网络结构包括的第一数目层网络。作为示例,根据模糊度特征,选取上述网络结构中前5层网络结构作为上述第一数目层网络。
步骤403,对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络。
在一些实施例中,上述执行主体可以对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络。其中,上述第二层数目层网络可以是多层循环神经网络或多层全连接层。
在一些实施例的一些可选的实现方式中,上述对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络可以是:将上述第一数目层网络中的网络分别与上述第二数目层网络连接,得到的网络结构作为上述分数预测网络。
作为示例,如图5所示,上述第一数目层网络501包括:第一层网络5011、第三层网络5012和第五层网络5013。上述第二数目层网络502包括:第六层网络5021、第七层网络5022和第八层网络5023。进而,将上述第一层网络5011的输出、第三层网络5012的输出和第五层网络5013的输出作为上述第六层网络5021的输入,以及将第六层网络5021、第七层网络5022和第八层网络5023依照顺序依次连接,得到的网络结构作为上述分数预测网络503。
在一些实施例的一些可选的实现方式中,上述对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络可以是:对上述第一数目层网络中的网络依照位置依次连接,得到的网络结构作为上述分数预测网络,其中,上述位置为上述第一数目层网络中各个网络层数的位置。
作为示例,如图6所示,上述第一数目层网络601包括:第一层网络6011、第三层网络6012和第五层网络6013。上述第二数目层网络602包括:第六层网络6021、第七层网络6022和第八层网络6023。进而,将上述第一层网络6011的输出作为第三层网络6012的输入。将上述第三层网络6012的输出作为第五层网络6013的输入。将第五层网络6013的输出作为上述第六层网络6021的输入,以及将第六层网络6021、第七层网络6022和第八层网络6023依照顺序依次连接。确定的网络结构作为上述分数预测网络603。
步骤404,对上述分数预测网络进行训练,得到训练后的分数预测网络。
在一些实施例中,上述执行主体可以对上述分数预测网络进行训练,得到训练后的分数预测网络。
作为示例,对上述分数预测网络进行训练,得到训练后的分数预测网络可以包括以下步骤:
第一步,确定初始分数预测网络的网络结构以及初始化上述初始分数预测网络的网络参数。
第二步,获取训练图像样本集,其中,训练图像样本集包括上述图像样本集合和与上述图像样本集合对应的标注信息集合。
第三步,将上述训练图像样本集中的图像样本集合和与上述标注信息集合分别作为上述初始分数预测网络的输入和期望输出,利用深度学习方法训练上述初始分数预测网络。
第四步,将训练得到的上述初始分数预测网络确定为上述训练后的分数预测网络。
由上述一些实施例可以看出,首先,可以确定图像质量打分网络的网络结构用于后续确定上述分数预测网络的网络结构。其中,上述图像质量打分网络用来预测目标图像的质量得分。然后,根据已确定的目标特征,选取上述分数预测网络的网络结构中的第一数目层数网络作为分数预测网络的基础网络。在这里,上述第一数目层网络可以是具有提取上述目标特征信息的网络。进而,根据上述基础网络,添加第二数目层网络,得到与上述目标特征相对应的分数预测网络。最后,对上述分数预测网络进行训练,训练上述分数预测网络的参数,得到训练后的分数预测网络。该训练方法在训练上述分数预测网络时,不需要训练图像对应着多个标签,只需要在训练某一特征时,训练图像有针对性的标注标签,减少了图像标注的工作量。除此之外,也解决了因为需要训练图像对应着多个标签,造成不同标签的图像数据不均衡的问题。
继续参考图7,示出了根据本公开的分数预测网络的训练方法的另一些实施例的流程700。该分数预测网络的训练方法,包括以下步骤:
步骤701,确定图像质量打分网络的网络结构。
步骤702,基于已确定的目标特征,选取上述网络结构包括的第一数目层网络。
步骤703,对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络。
在一些实施例中,步骤701-703的具体实现及所带来的技术效果可以参考图4对应的那些实施例中的步骤401-403,在此不再赘述。
步骤704,对上述图像质量打分网络进行训练,得到训练后的上述图像质量打分网络。
在一些实施例中,上述执行主体可以对上述图像质量打分网络进行训练,得到训练后的上述图像质量打分网络。
作为示例,对上述图像质量打分网络进行训练,得到训练后的图像质量打分网络可以是包括以下步骤:
第一步,确定初始图像质量打分网络的网络结构以及初始化上述初始图像质量打分网络的网络参数。
第二步,获取训练图像样本集,其中,训练图像样本集包括上述图像样本集合和与上述图像样本集合对应的标注信息集合。
第三步,将上述训练图像样本集中的图像样本集合和与上述标注信息集合分别作为上述初始图像质量打分网络的输入和期望输出,利用深度学习方法训练上述初始图像质量打分网络。
第四步,将训练得到的上述初始图像质量打分网络确定为上述训练后的图像质量打分网络。
在一些实施例的一些可选的实现方式中,上述训练后的上述图像质量打分网络是通过以下步骤训练的:
第一步,确定上述图像质量打分网络的网络结构以及初始化初始图像质量打分网络的网络参数。作为示例,可以通过接收人工输入的信息的方式来确定图像质量打分网络的网络结构。以及可以对图像质量打分网络的网络参数进行Xavier初始化或Kaiming初始化。
第二步,获取训练图像对样本集。其中,上述训练图像对样本集包括图像样本对集和与上述图像样本对集对应的标注信息集,标注信息为图像对之间的分差,上述分差用于表征图像对之间的质量差别。
第三步,将上述图像样本对集和与上述图像样本对集对应的标注信息集分别作为上述初始图像质量打分网络的输入和期望输出,利用深度学习方法训练上述初始分数预测网络。
第四步,将训练得到的上述初始图像质量打分网络确定为上述训练后的图像质量打分网络。步骤705,基于上述训练后的上述图像质量打分网络和上述目标特征,确定上述第一数目层网络的参数。
在一些实施例中,上述执行主体可以基于上述训练后的上述图像质量打分网络和上述目标特征,确定上述第一数目层网络的参数。作为示例,首先,可以根据上述目标特征选取上述图像质量打分网络的部分网络层作为上述第一数目层网络。然后,根据上述训练后的上述图像质量打分网络,可以通过接收人工输入的参数信息来确定的第一数目层网络的参数。需要说明的是,可以通过接收人工输入的与上述目标特征的网络层选取信息来选取上述部分网络层。
步骤706,保持上述第一数目层网络的参数不变,对上述分数预测网络进行训练,得到训练后的分数预测网络。
在一些实施例中,上述执行主体可以保持上述第一数目层网络的参数不变,对上述分数预测网络进行训练,得到训练后的分数预测网络。
作为示例,保持上述第一数目层网络的参数不变,对上述分数预测网络进行训练,得到训练后的分数预测网络可以是包括以下步骤:
第一步,确定初始分数预测网络的网络结构、保持上述第一数目层网络的参数不变以及初始化上述初始第二数目层网络的网络参数。
第二步,获取训练图像样本集,其中,训练图像样本集包括上述图像样本集合和与上述图像样本集合对应的标注信息集合。
第三步,将上述训练图像样本集中的图像样本集合和与上述标注信息集合分别作为上述初始分数预测网络的输入和期望输出,保持上述第一数目层网络的参数不变,利用深度学习方法训练上述初始分数预测网络。可以得到,利用上述深度学习网络训练上述初始分数预测网络的过程中,改变的仅仅是上述第二数目层网络的网络参数。
第四步,将训练得到的上述初始分数预测网络确定为上述训练后的分数预测网络。
从图7中可以看出,与图4对应的一些实施例的描述相比,图4对应的一些实施例中的分数预测网络的训练方法的流程700更加突出了分数预测网络训练过程中第一数目层网络参数保持不变的具体步骤。由此,这些实施例描述的方案将具有提取上述目标特征信息的网络的参数信息考虑进去,可以极大的减少了网络模型的计算量,进而提高了模型的训练速度。
继续参考图8,作为对上述各图上述方法的实现,本公开提供了一种图像评分装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,一些实施例的图像评分装置800包括:获取单元801和生成单元802。其中,获取单元801,被配置成获取目标图像。生成单元802,被配置成将上述目标图像输入至预先训练的分数预测网络中,输出与目标特征相对应的分数,其中,上述分数预测网络是基于从预先训练的图像质量打分网络中选取上述目标特征对应的网络层得到的。
可以理解的是,该装置800中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置800及其中包含的单元,在此不再赘述。
继续参考图9,作为对上述各图上述方法的实现,本公开提供了一种分数预测网络的训练装置的一些实施例,这些装置实施例与图4上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,一些实施例的分数预测网络的训练装置900包括:获确定单元901、选取单元902、增加单元903和训练单元904。其中,确定单元901,被配置成确定图像质量打分网络的网络结构。其中,上述图像质量打分网络用来预测目标图像的质量得分。选取单元902,被配置成基于已确定的目标特征,选取上述网络结构包括的第一数目层网络。增加单元903,被配置成对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络。训练单元904,被配置成对上述分数预测网络进行训练,得到训练后的分数预测网络。
在一些实施例的一些可选的实现方式中,增加单元903可以进一步被配置成:将上述第一数目层网络中的网络分别与上述第二数目层网络连接,得到的网络结构作为上述分数预测网络。
在一些实施例的一些可选的实现方式中,增加单元903可以进一步被配置成。对上述第一数目层网络中的网络依照位置依次连接,得到的网络结构作为上述分数预测网络,其中,上述位置为上述第一数目层网络中各个网络层数的位置。
在一些实施例的一些可选的实现方式中,训练单元904可以进一步被配置成。对上述图像质量打分网络进行训练,得到训练后的上述图像质量打分网络。基于上述训练后的上述图像质量打分网络和上述目标特征,确定上述第一数目层网络的参数。保持上述第一数目层网络的参数不变,对上述分数预测网络进行训练,得到训练后的分数预测网络。
在一些实施例的一些可选的实现方式中,上述训练后的上述图像质量打分网络是通过以下步骤训练的:确定上述图像质量打分网络的网络结构以及初始化初始图像质量打分网络的网络参数;获取训练图像对样本集,其中,上述训练图像对样本集包括图像样本对集和与上述图像样本对集对应的标注信息集,标注信息为图像对之间的分差,上述分差用于表征图像对之间的质量差别;将上述图像样本对集和与上述图像样本对集对应的标注信息集分别作为上述初始图像质量打分网络的输入和期望输出,利用深度学习方法训练上述初始分数预测网络;将训练得到的上述初始图像质量打分网络确定为上述训练后的图像质量打分网络。
可以理解的是,该装置900中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置900及其中包含的单元,在此不再赘述。
下面参考图10,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1或图3中的电子设备)1000的结构示意图。图10示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常,以下装置可以连接至I/O接口1005:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1008;以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图10中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1008被安装,或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标图像;将上述目标图像输入至预先训练的分数预测网络中,输出与目标特征相对应的分数,其中,上述分数预测网络是基于上述目标特征对应的网络层得到的,上述网络层是从预先训练的图像质量打分网络中选取的。确定图像质量打分网络的网络结构,其中,上述图像质量打分网络用来预测目标图像的质量得分;基于已确定的目标特征,选取上述网络结构包括的第一数目层网络;对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络;对上述分数预测网络进行训练,得到训练后的分数预测网络。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种图像评分方法,包括:获取目标图像;将上述目标图像输入至预先训练的分数预测网络中,输出与目标特征相对应的分数,其中,上述分数预测网络是基于上述目标特征对应的网络层得到的,上述网络层是从预先训练的图像质量打分网络中选取的。
根据本公开的一个或多个实施例,提供了一种分数预测网络的训练方法,包括:确定图像质量打分网络的网络结构,其中,上述图像质量打分网络用来预测目标图像的质量得分;基于已确定的目标特征,选取上述网络结构包括的第一数目层网络;对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络;对上述分数预测网络进行训练,得到训练后的分数预测网络。
根据本公开的一个或多个实施例,上述对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络,包括:将上述第一数目层网络中的网络分别与上述第二数目层网络连接,得到的网络结构作为上述分数预测网络。
根据本公开的一个或多个实施例,上述对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络,包括:对上述第一数目层网络中的网络依照位置依次连接,得到的网络结构作为上述分数预测网络,其中,上述位置为上述第一数目层网络中各个网络层数的位置。
根据本公开的一个或多个实施例,上述对上述分数预测网络进行训练,得到训练后的分数预测网络,包括:对上述图像质量打分网络进行训练,得到训练后的上述图像质量打分网络;基于上述训练后的上述图像质量打分网络和上述目标特征,确定上述第一数目层网络的参数;保持上述第一数目层网络的参数不变,对上述分数预测网络进行训练,得到训练后的分数预测网络。
根据本公开的一个或多个实施例,上述训练后的上述图像质量打分网络是通过以下步骤训练的:确定上述图像质量打分网络的网络结构以及初始化初始图像质量打分网络的网络参数;获取训练图像对样本集,其中,上述训练图像对样本集包括图像样本对集和与上述图像样本对集对应的标注信息集,标注信息为图像对之间的分差,上述分差用于表征图像对之间的质量差别;将上述图像样本对集和与上述图像样本对集对应的标注信息集分别作为上述初始图像质量打分网络的输入和期望输出,利用深度学习方法训练上述初始分数预测网络;将训练得到的上述初始图像质量打分网络确定为上述训练后的图像质量打分网络。
根据本公开的一个或多个实施例,提供了一种图像评分装置,包括:获取单元,被配置成获取目标图像;生成单元,被配置成将上述目标图像输入至预先训练的分数预测网络中,输出与目标特征相对应的分数,其中,上述分数预测网络是基于上述目标特征对应的网络层得到的,上述网络层是从预先训练的图像质量打分网络中选取的。
根据本公开的一个或多个实施例,提供了一种分数预测网络的训练装置,包括:确定单元,被配置成确定图像质量打分网络的网络结构,其中,上述图像质量打分网络用来预测目标图像的质量得分;选取单元,被配置成基于已确定的目标特征,选取上述网络结构包括的第一数目层网络;增加单元,被配置成对上述第一数目层网络增加第二数目层网络,得到与上述目标特征相对应的分数预测网络;训练单元,被配置成对上述分数预测网络进行训练,得到训练后的分数预测网络。
根据本公开的一个或多个实施例,增加单元可以进一步被配置成:将上述第一数目层网络中的网络分别与上述第二数目层网络连接,得到的网络结构作为上述分数预测网络。
根据本公开的一个或多个实施例,增加单元可以进一步被配置成:对上述第一数目层网络中的网络依照位置依次连接,得到的网络结构作为上述分数预测网络,其中,上述位置为上述第一数目层网络中各个网络层数的位置。
根据本公开的一个或多个实施例,训练单元可以进一步被配置成:对上述图像质量打分网络进行训练,得到训练后的上述图像质量打分网络。基于上述训练后的上述图像质量打分网络和上述目标特征,确定上述第一数目层网络的参数。保持上述第一数目层网络的参数不变,对上述分数预测网络进行训练,得到训练后的分数预测网络。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。