CN114743077A - 图像质量信息生成、图像质量信息生成模型的训练方法 - Google Patents

图像质量信息生成、图像质量信息生成模型的训练方法 Download PDF

Info

Publication number
CN114743077A
CN114743077A CN202210278196.5A CN202210278196A CN114743077A CN 114743077 A CN114743077 A CN 114743077A CN 202210278196 A CN202210278196 A CN 202210278196A CN 114743077 A CN114743077 A CN 114743077A
Authority
CN
China
Prior art keywords
quality information
image
image quality
network
information generation
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
Application number
CN202210278196.5A
Other languages
English (en)
Inventor
刘弘也
苏驰
李凯
王育林
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
Original Assignee
Beijing Kingsoft Cloud Network 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 filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN202210278196.5A priority Critical patent/CN114743077A/zh
Publication of CN114743077A publication Critical patent/CN114743077A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了图像质量信息生成、图像质量信息生成模型的训练方法。该图像质量信息生成方法的一具体实施方式包括：获取待处理图像；将待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，图像质量信息生成模型包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；基于多个图像质量信息，生成待处理图像的质量信息。该实施方式实现了提升图像质量信息精度。

Description

图像质量信息生成、图像质量信息生成模型的训练方法
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像质量信息生成、图像质量信息生成模型的训练方法。
背景技术
图像质量对于计算机视觉至关重要。相关的图像质量信息生成方式，大多通过单一卷积网络等结构来建立图像与图像质量信息的映射。
然而，当采用上述方式来生成图像质量信息时，图像质量信息精度低，不能满足应用需求。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了图像质量信息生成模型的训练方法、图像质量信息生成方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了图像质量信息生成方法，该方法包括：获取待处理图像；将待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，图像质量信息生成模型包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；基于多个图像质量信息，生成待处理图像的质量信息。
第二方面，本公开的一些实施例提供了一种图像质量信息生成模型的训练方法，该方法包括：获取训练样本集，训练样本集中的训练样本包括样本图像和样本图像的质量信息标签；获取预先构建的图像质量信息生成网络，图像质量信息生成网络包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；基于训练样本集，对图像质量信息生成网络进行训练，以及将训练后的图像质量信息生成网络作为图像质量信息生成模型。
第三方面，本公开的一些实施例提供了一种图像质量信息生成装置，包括：获取单元，被配置成获取待处理图像；质量信息生成单元，被配置成将待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，图像质量信息生成模型包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；融合单元，被配置成基于多个图像质量信息，生成待处理图像的质量信息。
第四方面，一种图像质量信息生成模型的训练装置，装置包括：样本集获取单元，被配置成获取训练样本集，训练样本集中的训练样本包括样本图像和样本图像的质量信息标签；网络获取单元，被配置成获取预先构建的图像质量信息生成网络，图像质量信息生成网络包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；训练单元，被配置成基于训练样本集，对图像质量信息生成网络进行训练，以及将训练后的图像质量信息生成网络作为图像质量信息生成模型。
第五方面，本公开的一些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上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：提升了图像质量信息精度。相关的图像质量信息生成方式的预测精度不高的原因在于：采用单一的网络结构来生成质量信息生成模型。而单一的网络结构只能对应单一的学习任务，进而造成模型的预测精度不能进一步提高。基于此，本公开的一些实施例通过多个预测网络来生成图像质量信息。其中，不同的预测网络可以对应多个学习任务。多个任务之间可以进行知识共享，有助于提高模型的泛化能力，降低单一学习任务的过拟合风险，最终使得图像质量信息的精度提升。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的图像质量信息生成模型的训练方法和图像质量信息生成方法一个实例性应用场景图；
图2是根据本公开的图像质量信息生成模型的训练方法的一些实施例的流程图；
图3是根据本公开的一些实施例中的图像质量信息生成模型的示例性结构示意图；
图4是根据本公开的图像质量信息生成模型的训练方法的另一些实施例的流程图；
图5是根据本公开的图像质量信息生成模型的训练装置的一些实施例的结构示意图；
图6是根据本公开的图像质量信息生成方法的一些实施例的流程图；
图7是根据本公开的图像质量信息生成装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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。
本公开实施例所提供的图像质量信息生成模型的训练方法及装置可以应用在智能安防等各种计算机视觉相关的业务场景下。除此之外，本公开实施例所提供的图像质量信息生成模型的训练方法及装置还可以应用于其他现有的或未来会出现的业务场景，对此，本公开不进行限定。
由于相关的图像质量信息生成方式，大多通过单一卷积网络等结构来建立图像与图像质量信息的映射。而单一的网络结构只能对应单一的学习任务，进而造成图像质量信息的精度不能进一步提高。
为了解决背景技术部分所阐述的一项或多项问题，本公开一些实施例提供了图像质量信息生成方法、装置、设备和介质，通过多个预测网络来生成图像质量信息。其中，不同的预测网络可以对应不同的学习任务。不同的任务之间可以进行知识共享，有助于提高模型的泛化能力，降低单一学习任务的过拟合风险，最终使得图像质量信息的精度提升。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的图像质量信息生成模型的训练方法、图像质量信息生成方法一个应用场景的示意图。
如图1所示，图像质量信息生成模型的训练方法执行主体可以是计算设备101。在此基础上，计算设备101可以首先获取训练样本集102。此外，计算设备101还可以获取预先构建的图像质量信息生成网络103。其中，图像质量信息生成网络103包括特征提取网络、多个预测网络，如图中所示，预测网络1到预测网络n。在此基础上，每个预测网络用于根据图像特征生成图像质量信息。在此基础上，基于训练样本集102对图像质量信息生成网络进行训练，以及将训练后的图像质量信息生成网络作为图像质量信息生成模型105。
如图1所示，图像质量信息生成方法的执行主体可以是计算设备107。在此基础上，计算设备107可以将待处理图像106输入图像质量信息生成模型105。如图1所示，图像质量信息生成模型105包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息，得到多个图像质量信息108。在此基础上，根据多个图像质量信息108，生成待处理图像106的质量信息109。可以理解，图1所示的图像质量信息生成模型的训练方法仅仅是一种示例性说明。
在图1的应用场景中，需要说明的是，上述计算设备101、107可以是硬件，也可以是软件。实践中，计算设备101、107可以为同一计算设备，也可以是不同的计算设备。当计算设备为硬件时，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。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其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中的计算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计算设备。
继续参考图2，示出了根据本公开的图像质量信息生成模型的训练方法的一些实施例的流程200。该图像质量信息生成模型的训练方法，包括以下步骤：
步骤201，获取训练样本集，训练样本集中的训练样本包括样本图像和样本图像的质量信息标签。
在一些实施例中，图像质量信息生成模型的训练方法的执行主体可以首先获取训练样本集。其中，训练样本集中的每个训练样本包括样本图像和样本图像的质量信息标签。其中，样本图像的质量信息标签可以是通过人工或者机器标注的质量信息。由于影响图像质量的因素众多，包括但不限于：图像分辨率、图像亮度、图像中目标对象的大小等等。因此，通过标注得到的质量信息标签能够较为准确的反映样本图像的质量，进而可以用于训练模型。实践中，质量信息标签可以采用多种形式，例如，可以是图像等级、图像得分等。
可选的，可以通过以下方式得到样本图像的质量信息标签：获取样本图像对应的多个图像质量标注信息；将多个图像质量标注信息的均值作为样本图像的样本质量信息标签。由此，可以消除偶然误差，使得样本质量信息标签更加准确。
作为示例，对于一样样本图像X，可以获取样本图像X对应的n个图像质量标注信息
Figure BDA0003556938820000061
作为示例，第k个图像质量标注信息
Figure BDA0003556938820000062
的取值可以是1到10之间的整数。其中，10代表质量最高，1代表质量最差。此时，作为示例，样本图像X的样本质量信息标签y可以通过以下公式得到：
Figure BDA0003556938820000063
其中，
Figure BDA0003556938820000064
代表对*进行向下取整。
步骤202，获取预先构建的图像质量信息生成网络。
在一些实施例中，上述执行主体可以获取预先构建的图像质量信息生成网络。其中，图像质量信息生成网络包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息。
实践中，特征提取网络可以采用多种结构，例如，可以采用卷积神经网络。多个预测网络可以根据实际需要选取结构，作为示例，预测网络可以采用全连接层。此外，预测网络还可以包括卷积块和激活函数层等结构。根据需要，不同的预测网络可以采用相同或者不同的网络结构。
作为示例，图3示出了图像质量信息生成网络的一个示例性结构。如图所示，可以将样本图像301输入特征提取网络302。作为示例，特征提取网络302可以包括两个串联的卷积块和一个全连接层。在此基础上，将特征提取网络302输出的图像特征分别输入预测网络303、预测网络304和预测网络305。
步骤203，基于训练样本集，对图像质量信息生成网络进行训练，以及将训练后的图像质量信息生成网络作为图像质量信息生成模型。
在一些实施例中，上述执行主体可以基于训练样本集，对图像质量信息生成网络进行训练。
作为示例，上述执行主体可以从训练样本集中选取训练样本。基于所选取的训练样本，执行以下步骤：
将所选取的训练样本的样本图像输入特征提取网络，得到图像特征。将图像特征分别输入多个预测网络，得到多个图像质量信息。将得到的多个图像质量信息进行融合，得到样本图像对应的实际质量信息。基于预设的损失函数(例如交叉熵)确定实际质量信息与上述样本图像的质量信息标签之间的差异，即损失值。通过反向传播算法以及随机梯度下降算法更新图像质量信息生成网络的参数。
在此基础上，通过多次迭代，可以得到训练后的像质量信息生成网络，作为图像质量信息生成模型。
本公开的一些实施例提供的方法，提升了图像质量信息生成模型的预测精度。相关的图像质量信息生成模型的预测精度不高的原因在于：采用单一的网络结构来生成质量信息生成模型。而单一的网络结构只能对应单一的学习任务，进而造成模型的预测精度不能进一步提高。基于此，本公开的一些实施例通过多个预测网络来生成图像质量信息。其中，不同的预测网络可以对应多个学习任务。多个任务之间可以进行知识共享，有助于提高模型的泛化能力，降低单一学习任务的过拟合风险，最终使得模型的预测精度提升。
进一步参考图4，其示出了图像质量信息生成模型的训练方法的另一些实施例的流程400。该图像质量信息生成模型的训练方法的流程400，包括以下步骤：
步骤401，获取训练样本集，训练样本集中的训练样本包括样本图像和样本图像的质量信息标签。
在一些实施例中，质量信息标签包括质量等级和质量等级分布。其中，质量等级分布可以用于表征样本图像的质量等级概率分布情况。例如，质量等级分布可以是[0.5,0.3,0.2]。其中，0.5、0.3、0.2分别用于表示图像等级为1、2、3级的概率。
作为示例，可以通过指定的方式确定质量等级分布。
可选的，质量等级分布可以根据样本图像的质量等级来生成。例如，对于样本图像X的质量等级y，可以根据y生成样本图像X的质量等级分布p，其中，p是一个多维向量，p的第j个维度的值pj在0到1之间，pj表示X的质量等级为j的概率。
Figure BDA0003556938820000081
其中，σ为高斯分布的标准差，n为质量等级的最大取值，Z是一个归一化因子来保证p各维度之和为1，也就是说：
Figure BDA0003556938820000082
其中，exp(*)代表e的*次方，e是自然底数。
步骤402，获取预先构建的图像质量信息生成网络，图像质量信息生成网络包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息。
在一些实施例中，多个预测网络包括单标签分类网络、标签分布预测网络和回归网络。其中，单标签分类网络和回归网络分别对应分类任务和回归任务。采用这两种网络可以使分类任务和回归任务之间互补，进而提高网络的预测精度。除此之外，通过引入标签分布预测网络也有助于进一步提高网络的预测精度，原因在于，标签分布预测网络输出的实际标签分布刻画了对于质量分级的不确定性。举例来说，如果用1-10来代表10个不同的等级，如果某个图像的质量等级为“5”，那么等级“5”对应的概率最高，其临近的等级，例如“4”或“6”对应的概率很可能次高。通过这种约束可以进一步提升网络的预测精度。
实践中，单标签分类网络、标签分布预测网络和回归网络的网络结构可以根据需要进行设置，例如可以采用全连接层。
在此基础上，可以通过训练样本集来对图像质量信息生成网络进行训练。例如，可以从训练样本集中选取训练样本，以及执行以下步骤403-步骤408：
步骤403，将训练样本输入特征提取网络，得到图像特征。
在一些实施例中，图像质量信息生成模型的训练方法的执行主体可以将训练样本输入特征提取网络，得到图像特征。其中，特征提取网络的具体实现可以参考图2对应的那些实施例中的步骤202，在此不再赘述。
步骤404，将图像特征分别输入单标签分类网络、标签分布预测网络和回归网络，得到实际分类结果、实际标签分布和实际回归结果。
在一些实施例中，上述执行主体可以将图像特征分别输入单标签分类网络、标签分布预测网络和回归网络，得到实际分类结果、实际标签分布和实际回归结果。
步骤405，基于质量信息标签中所包含的质量等级和实际分类结果，生成分类损失值。
在一些实施例中，作为示例，上述执行主体可以通过以下方式基于质量等级y和实际分类结果
Figure BDA0003556938820000091
生成分类损失值。
第一步，将实际分类结果
Figure BDA0003556938820000092
输入softmax函数，得到单标签概率分布向量
Figure BDA0003556938820000093
第二步，基于预设的损失函数，生成分类损失值L1：
Figure BDA0003556938820000094
其中，
Figure BDA0003556938820000095
表示
Figure BDA0003556938820000096
的第y个元素。
步骤406，基于质量信息标签中所包含的质量等级分布和实际标签分布，生成分布损失值。
在一些实施例中，上述执行主体可以通过以下公式基于质量信息标签中所包含的质量等级分布p和实际标签分布
Figure BDA0003556938820000101
生成分布损失L2：
Figure BDA0003556938820000102
其中，pj表示p的第j个元素，
Figure BDA0003556938820000103
表示
Figure BDA0003556938820000104
的第j个元素。
步骤407，基于质量等级和实际回归结果，生成回归损失值。
在一些实施例中，上述执行主体可以通过质量等级y和实际回归结果
Figure BDA0003556938820000105
生成回归损失值L3：
Figure BDA0003556938820000106
其中，|*|表示*的绝对值。
步骤408，基于分类损失值、分布损失值和回归损失值，调整图像质量信息生成网络的参数。
在一些实施例中，上述执行主体可以将图像质量信息生成网络的损失值L：
L＝L1+L2+L3
在此基础上，通过反向传播的方式将损失值L从图像质量信息生成网络的最后一层反向传入网络。在此过程中，对于每一层，通过随机梯度下降算法更新每一层的参数，直至输入层，从而完成一次迭代。
实践中，可以多次执行步骤403-步骤408，进行多次迭代，直至训练完成，得到训练后的图像质量信息生成网络作为图像质量信息生成模型。
从图4中可以看出，与图2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图像质量信息生成模型的训练方法的流程400，通过单标签分类网络和回归网络互补，提高网络的预测精度。进一步的，通过引入标签分布预测网络也有助于进一步提高网络的预测精度。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图像质量信息生成模型的训练装置的一些实施例，这些装置实施例与图2所示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5所示，一些实施例的图像质量信息生成模型的训练装置500包括：样本集获取单元501、网络获取单元502、训练单元503。其中，样本集获取单元501被配置成获取训练样本集，训练样本集中的训练样本包括样本图像和样本图像的质量信息标签。网络获取单元502被配置成获取预先构建的图像质量信息生成网络，图像质量信息生成网络包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息。训练单元503被配置成基于训练样本集，对图像质量信息生成网络进行训练，以及将训练后的图像质量信息生成网络作为图像质量信息生成模型。
在一些实施例的可选实现方式中，多个预测网络包括单标签分类网络、标签分布预测网络和回归网络。
在一些实施例的可选实现方式中，质量信息标签包括质量等级和质量等级分布。
在一些实施例的可选实现方式中，训练单元503进一步被配置成将训练样本输入特征提取网络，得到图像特征；将图像特征分别输入单标签分类网络、标签分布预测网络和回归网络，得到实际分类结果、实际标签分布和实际回归结果；基于质量信息标签中所包含的质量等级和实际分类结果，生成分类损失值；基于质量信息标签中所包含的质量等级分布和实际标签分布，生成分布损失值；基于质量等级和实际回归结果，生成回归损失值；基于分类损失值、分布损失值和回归损失值，调整图像质量信息生成网络的参数。
在一些实施例的可选实现方式中，质量等级分布是通过以下步骤确定的：基于质量等级，生成样本图像的质量等级分布。
可以理解的是，该装置500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500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了图像质量信息生成方法的一些实施例的流程600。该图像质量信息生成方法的流程600，包括以下步骤：
步骤601，获取待处理图像。
在一些实施例中，图像质量信息生成方法的执行主体可以首先获取待处理图像。其中，待处理图像可以是任意需要生成质量信息的图像。
步骤602，将待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，图像质量信息生成模型包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息。
实践中，特征提取网络可以采用多种结构，例如，可以采用卷积神经网络。多个预测网络可以根据实际需要选取结构，作为示例，预测网络可以采用全连接层。此外，预测网络还可以包括卷积块和激活函数层等结构。根据需要，不同的预测网络可以采用相同或者不同的网络结构。
在此基础上，上述执行主体可以首先将待处理图像输入特征提取网络，然后将图像特征输入多个预测网络，得到多个图像质量信息。
实践中，图像质量信息生成模型中的特征提取网络和多个预测网络可以采用经过训练的特征提取网络和预测网络。
可选的，图像质量信息生成模型是根据图2或图4对应的那些实施例中描述的任一方法训练得到的。
步骤603，基于多个图像质量信息，生成待处理图像的质量信息。
在一些实施例中，上述执行主体可以对多个图像质量信息进行加权融合，得到待处理图像的质量信息。
在一些实施例中，通过对多个预测网络生成的图像质量信息进行加权融合，从而可以提高待处理图像的质量信息的精度。
在一些实施例的一些可选的实现方式中，多个预测网络包括单标签分类网络、标签分布预测网络和回归网络：以及基于多个图像质量信息，生成待处理图像的质量信息，包括：确定单标签分类网络输出的图像质量信息中最大值对应的质量等级，作为第一质量等级；确定标签分布预测网络输出的图像质量信息中最大值对应的质量等级，作为第二质量等级；确定第一质量等级、第二质量等级和回归网络输出的第三质量等级的平均值，作为待处理图像的质量等级，其中，第三质量等级为回归网络输出图像质量信息所表征的质量等级。在这些可选的实现方式中，其中，单标签分类网络和回归网络分别对应分类任务和回归任务。采用这两种网络可以使分类任务和回归任务之间互补，进而提高网络的预测精度。除此之外，通过引入标签分布预测网络也有助于进一步提高网络的预测精度，原因在于，标签分布预测网络输出的实际标签分布刻画了对于质量分级的不确定性。举例来说，如果用1-10来代表10个不同的等级，如果某个图像的质量等级为“5”，那么等级“5”对应的概率最高，其临近的等级，例如“4”或“6”对应的概率很可能次高。通过这种约束可以进一步提升网络的预测精度。
实践中，单标签分类网络、标签分布预测网络和回归网络的网络结构可以根据需要进行设置，例如可以采用全连接层。
在一些实施例的一些可选的实现方式中，图像质量信息生成模型的训练样本包括样本图像和样本图像的质量信息标签，质量信息标签包括质量等级和质量等级分布。
在一些实施例的一些可选的实现方式中，图像质量信息生成模型是通过以下步骤训练得到的：将训练样本输入特征提取网络，得到图像特征；将图像特征分别输入单标签分类网络、标签分布预测网络和回归网络，得到实际分类结果、实际标签分布和实际回归结果；基于质量信息标签中所包含的质量等级和实际分类结果，生成分类损失值；基于质量信息标签中所包含的质量等级分布和实际标签分布，生成分布损失值；基于质量等级和实际回归结果，生成回归损失值；基于分类损失值、分布损失值和回归损失值，调整图像质量信息生成网络的参数。
在一些实施例的一些可选的实现方式中，质量等级分布是通过以下步骤确定的：基于质量等级，生成样本图像的质量等级分布。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种图像质量信息生成模型的训练装置的一些实施例，这些装置实施例与图6所示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7所示，一些实施例的一种图像质量信息生成装置700包括：获取单元701、质量信息生成单元702和融合单元703。其中，获取单元701被配置成获取待处理图像；质量信息生成单元702被配置成将待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，图像质量信息生成模型包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；融合单元703被配置成基于多个图像质量信息，生成待处理图像的质量信息。
在一些实施例的可选实现方式中，多个预测网络包括单标签分类网络、标签分布预测网络和回归网络：以及融合单元703进一步被配置成确定单标签分类网络输出的图像质量信息中最大值对应的质量等级，作为第一质量等级；确定标签分布预测网络输出的图像质量信息中最大值对应的质量等级，作为第二质量等级；确定第一质量等级、第二质量等级和回归网络输出的第三质量等级的平均值，以及作为待处理图像的质量等级，其中，第三质量等级为回归网络输出图像质量信息所表征的质量等级。
在一些实施例的可选实现方式中，图像质量信息生成模型的训练样本包括样本图像和样本图像的质量信息标签，质量信息标签包括质量等级和质量等级分布。
在一些实施例的可选实现方式中，图像质量信息生成模型是通过以下步骤训练得到的：将训练样本输入特征提取网络，得到图像特征；将图像特征分别输入单标签分类网络、标签分布预测网络和回归网络，得到实际分类结果、实际标签分布和实际回归结果；基于质量信息标签中所包含的质量等级和实际分类结果，生成分类损失值；基于质量信息标签中所包含的质量等级分布和实际标签分布，生成分布损失值；基于质量等级和实际回归结果，生成回归损失值；基于分类损失值、分布损失值和回归损失值，调整图像质量信息生成网络的参数。
在一些实施例的可选实现方式中，质量等级分布是通过以下步骤确定的：基于质量等级，生成样本图像的质量等级分布。
可以理解的是，该装置700中记载的诸单元与参考图6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700及其中包含的单元，在此不再赘述。
下面参考图8，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中的服务器或终端设备)800的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备/终端设备/服务器仅仅是一个示例，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8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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8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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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中记载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电子设备中所包含的；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：获取训练样本集，训练样本集中的训练样本包括样本图像和样本图像的质量信息标签；获取预先构建的图像质量信息生成网络，图像质量信息生成网络包括特征提取网络和多个预测网络，特征提取网络用于提取图像特征，每个预测网络用于根据图像特征生成图像质量信息；基于训练样本集，对图像质量信息生成网络进行训练，以及将训练后的图像质量信息生成网络作为图像质量信息生成模型。
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，所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：一种处理器包括样本集获取单元、网络获取单元和训练单元。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，样本集获取单元还可以被描述为“获取训练样本集的单元”。
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。
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。

Claims (10)

1.一种图像质量信息生成方法，包括：
获取待处理图像；
将所述待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，所述图像质量信息生成模型包括特征提取网络和多个预测网络，所述特征提取网络用于提取图像特征，每个所述预测网络用于根据所述图像特征生成图像质量信息；
基于所述多个图像质量信息，生成所述待处理图像的质量信息。
2.根据权利要求1所述的方法，其中，所述多个预测网络包括单标签分类网络、标签分布预测网络和回归网络：以及
所述基于所述多个图像质量信息，生成所述待处理图像的质量信息，包括：
确定所述单标签分类网络输出的图像质量信息中最大值对应的质量等级，作为第一质量等级；
确定所述标签分布预测网络输出的图像质量信息中最大值对应的质量等级，作为第二质量等级；
确定所述第一质量等级、所述第二质量等级和所述回归网络输出的第三质量等级的平均值，以及作为所述待处理图像的质量等级，其中，所述第三质量等级为所述回归网络输出图像质量信息所表征的质量等级。
3.根据权利要求1所述的方法，其中，所述图像质量信息生成模型的训练样本包括样本图像和所述样本图像的质量信息标签，所述质量信息标签包括质量等级和质量等级分布。
4.根据权利要求3所述的方法，其中，所述图像质量信息生成模型是通过以下步骤训练得到的：
将所述训练样本输入所述特征提取网络，得到图像特征；
将所述图像特征分别输入所述单标签分类网络、所述标签分布预测网络和所述回归网络，得到实际分类结果、实际标签分布和实际回归结果；
基于所述质量信息标签中所包含的质量等级和所述实际分类结果，生成分类损失值；
基于所述质量信息标签中所包含的质量等级分布和所述实际标签分布，生成分布损失值；
基于所述质量等级和所述实际回归结果，生成回归损失值；
基于所述分类损失值、所述分布损失值和所述回归损失值，调整所述图像质量信息生成网络的参数。
5.根据权利要求3所述的方法，其中，所述质量等级分布是通过以下步骤确定的：
基于所述质量等级，生成所述样本图像的质量等级分布。
6.一种图像质量信息生成模型的训练方法，包括：
获取训练样本集，所述训练样本集中的训练样本包括样本图像和所述样本图像的质量信息标签；
获取预先构建的图像质量信息生成网络，所述图像质量信息生成网络包括特征提取网络和多个预测网络，所述特征提取网络用于提取图像特征，每个所述预测网络用于根据所述图像特征生成图像质量信息；
基于所述训练样本集，对所述图像质量信息生成网络进行训练，以及将训练后的所述图像质量信息生成网络作为所述图像质量信息生成模型。
7.一种图像质量信息生成装置，包括：
获取单元，被配置成获取待处理图像；
质量信息生成单元，被配置成将所述待处理图像输入预先训练的图像质量信息生成模型，得到多个图像质量信息，其中，所述图像质量信息生成模型包括特征提取网络和多个预测网络，所述特征提取网络用于提取图像特征，每个所述预测网络用于根据所述图像特征生成图像质量信息；
融合单元，被配置成基于所述多个图像质量信息，生成所述待处理图像的质量信息。
8.一种图像质量信息生成模型的训练装置，包括：
样本集获取单元，被配置成获取训练样本集，所述训练样本集中的训练样本包括样本图像和所述样本图像的质量信息标签；
网络获取单元，被配置成获取预先构建的图像质量信息生成网络，所述图像质量信息生成网络包括特征提取网络和多个预测网络，所述特征提取网络用于提取图像特征，每个所述预测网络用于根据所述图像特征生成图像质量信息；
训练单元，被配置成基于所述训练样本集，对所述图像质量信息生成网络进行训练，以及将训练后的所述图像质量信息生成网络作为所述图像质量信息生成模型。
9.一种电子设备，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，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5或6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5或6中任一所述的方法。
CN202210278196.5A 2022-03-21 2022-03-21 图像质量信息生成、图像质量信息生成模型的训练方法 Pending CN114743077A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210278196.5A CN114743077A (zh) 2022-03-21 2022-03-21 图像质量信息生成、图像质量信息生成模型的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210278196.5A CN114743077A (zh) 2022-03-21 2022-03-21 图像质量信息生成、图像质量信息生成模型的训练方法

Publications (1)

Publication Number Publication Date
CN114743077A true CN114743077A (zh) 2022-07-12

Family

ID=82276212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210278196.5A Pending CN114743077A (zh) 2022-03-21 2022-03-21 图像质量信息生成、图像质量信息生成模型的训练方法

Country Status (1)

Country Link
CN (1) CN114743077A (zh)

Similar Documents

Publication Publication Date Title
CN110298413B (zh) 图像特征提取方法、装置、存储介质及电子设备
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN112183627B (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN113468330A (zh) 信息获取方法、装置、设备及介质
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN112330788A (zh) 图像处理方法、装置、可读介质及电子设备
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN113255812A (zh) 视频边框检测方法、装置和电子设备
CN113191257A (zh) 笔顺检测方法、装置和电子设备
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN116258911A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN113807056B (zh) 一种文档名称序号纠错方法、装置和设备
CN113051400B (zh) 标注数据确定方法、装置、可读介质及电子设备
CN111797931B (zh) 图像处理方法、图像处理网络训练方法、装置、设备
CN114743077A (zh) 图像质量信息生成、图像质量信息生成模型的训练方法
CN113222050A (zh) 图像分类方法、装置、可读介质及电子设备
CN116974684B (zh) 地图页面布局方法、装置、电子设备与计算机可读介质
CN118351385B (zh) 单质金属识别方法、装置、电子设备和计算机可读介质
CN116503849B (zh) 异常地址识别方法、装置、电子设备与计算机可读介质
CN112215789B (zh) 图像去雾方法、装置、设备和计算机可读介质
CN113345426B (zh) 一种语音意图识别方法、装置及可读存储介质
CN111797932B (zh) 图像分类方法、装置、设备和计算机可读介质
CN118095426B (zh) 点击行为预测模型训练方法、装置、电子设备与可读介质

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