CN115760791A - 图片质量评估方法及装置 - Google Patents
图片质量评估方法及装置 Download PDFInfo
- Publication number
- CN115760791A CN115760791A CN202211466867.7A CN202211466867A CN115760791A CN 115760791 A CN115760791 A CN 115760791A CN 202211466867 A CN202211466867 A CN 202211466867A CN 115760791 A CN115760791 A CN 115760791A
- Authority
- CN
- China
- Prior art keywords
- quality
- picture
- training
- training picture
- quality score
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及图片处理技术领域,提供了一种图片质量评估方法及装置。该方法包括:构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;利用完成训练后的图片质量评估模型进行图片质量评估。
Description
技术领域
本公开涉及图片处理技术领域,尤其涉及一种图片质量评估方法及装置。
背景技术
在图片处理的一些场景中,往往需要估计图片的质量,进而使用高质量的图片提高处理的效率,比如人脸识别中,先挑选出高质量的图片,然后使用高质量的图片训练人脸识别模型,最终提高人脸识别模型的精度。目前常用训练好的模型去估计图片的质量,此类估计图片质量的模型的训练,一般直接采用平方损失,忽略了对难样本和重要样本的挖掘,导致最终图片质量估计结果不准确。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下技术问题:评估图片质量准确率低的问题。
发明内容
有鉴于此,本公开实施例提供了一种图片质量评估方法、装置、电子设备及计算机可读存储介质,以解决现有技术中,评估图片质量准确率低的问题。
本公开实施例的第一方面,提供了一种图片质量评估方法,包括:构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;利用完成训练后的图片质量评估模型进行图片质量评估。
本公开实施例的第二方面,提供了一种图片质量评估装置,包括:构建模块,被配置为构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;输出模块,被配置为将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;计算模块,被配置为依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;训练模块,被配置为利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;评估模块,被配置为利用完成训练后的图片质量评估模型进行图片质量评估。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:因为本公开实施例通过构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;利用完成训练后的图片质量评估模型进行图片质量评估,因此,采用上述技术手段,可以解决现有技术中,评估图片质量准确率低的问题,进而提高评估图片质量的准确率。
附图说明
为了更清楚地说明本公开实施例中的技术方案,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公开的一些实施例,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它的附图。
图1是本公开实施例的应用场景的场景示意图;
图2是本公开实施例提供的一种图片质量评估方法的流程示意图;
图3是本公开实施例提供的一种图片质量评估装置的结构示意图;
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
下面将结合附图详细说明根据本公开实施例的一种图片质量评估方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。
终端设备101、102和103可以是硬件,也可以是软件。当终端设备101、102和103为硬件时,其可以是具有显示屏且支持与服务器104通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等;当终端设备101、102和103为软件时,其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本公开实施例对此不作限制。进一步地,终端设备101、102和103上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器104可以是提供各种服务的服务器,例如,对与其建立通信连接的终端设备发送的请求进行接收的后台服务器,该后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。服务器104可以是一台服务器,也可以是由若干台服务器组成的服务器集群,或者还可以是一个云计算服务中心,本公开实施例对此不作限制。
需要说明的是,服务器104可以是硬件,也可以是软件。当服务器104为硬件时,其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时,其可以是为终端设备101、102和103提供各种服务的多个软件或软件模块,也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块,本公开实施例对此不作限制。
网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络,也可以是无需布线就能实现各种通信设备互联的无线网络,例如,蓝牙(Bluetooth)、近场通信(Near FieldCommunication,NFC)、红外(Infrared)等,本公开实施例对此不作限制。
用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接,以接收或发送信息等。需要说明的是,终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整,本公开实施例对此不作限制。
图2是本公开实施例提供的一种图片质量评估方法的流程示意图。图2的图片质量评估方法可以由图1的计算机或服务器,或者计算机或服务器上的软件执行。如图2所示,该图片质量评估方法包括:
S201,构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;
S202,将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;
S203,依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;
S204,利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;
S205,利用完成训练后的图片质量评估模型进行图片质量评估。
可以看做将残差神经网络作为主干网络,将质量分类网络和质量回归网络并行连接在主干网络后,得到图片质量评估模型。当然图片质量评估模型除了残差神经网络、质量分类网络和质量回归网络之外,还可以有其它网络,比如图片质量评估模型最后接一层网络,该层网络用于对质量分类网络和质量回归网络最终输出的结果加权求和。质量分类网络会输出训练图片为每个预设质量分的概率值,质量分类网络还可以根据多个预设质量分和训练图片为每个预设质量分的概率值,计算训练图片的第二质量分,所以质量分类网络会输出训练图片的第二质量分。图片质量评估模型最后接的一层网络,实际上是对第一质量分和第二质量分加权求和。训练数据集应当是包括大量的训练图片,为了便于理解,可以将训练图片看做一张。训练图片的标注质量分就是训练图片的标签。
根据本公开实施例提供的技术方案,构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;利用完成训练后的图片质量评估模型进行图片质量评估,因此,采用上述技术手段,可以解决现有技术中,评估图片质量准确率低的问题,进而提高评估图片质量的准确率。
可选地,质量分类网络内部结构依次,包括:多层卷积层、批量归一化层、激活层、平均池化层、全连接层、激活层、全连接层、softmax层。比如质量分类网络内部结构依次为2层卷积核为3x3、通道数512的卷积层,1层批量归一化层,1层prelu激活层,一层平均池化层,1层维度为(512,256)的全连接层,1层prelu激活层,1层维度为(256,101)的全连接层,后连接softmax操作。
可选地,质量回归网络内部结构依次,包括:深度可分离卷积层、批量归一化层、激活层、普通卷积层、激活层、平均池化层、全连接层、激活层、全连接层、sigmoid层。比如质量回归网络内部结构依次为1层核为3x3、通道数512的深度可分离卷积,1层批量归一化,1层gelu激活,1层核为1x1、通道数512的普通卷积,1层relu激活,一层平均池化操作,1层维度为(512,256)的全连接层,1层relu激活层,1层维度为(256,1)的全连接层,后连接sigmoid层。
在步骤S203中,依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值,包括:依据多个预设质量分、训练图片为每个预设质量分的概率值和训练图片的标注质量分,通过第一损失函数计算训练图片对应的第一损失值;确定与训练图片的标注质量分相邻的两个预设质量分的概率值,依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分以及与训练图片的标注质量分相邻的两个预设质量分的概率值,通过第二损失函数计算训练图片对应的第二损失值;依据训练图片的标注质量分和第一质量分,通过第三损失函数计算训练图片对应的第三损失值;根据训练图片对应的第一损失值、第二损失值和第三损失值计算训练图片对应的总损失值,总损失函数,包括:第一损失函数、第二损失函数和第三损失函数。
通过第一损失函数计算训练图片对应的第一损失值loss1:
i为每个预设质量分的序号,qi是第i个预设质量分,pi是训练图片为为第i个预设质量分的概率值,y是训练图片的标注质量分,α是预测参数,||是求绝对值的符号,∑为求和符号。
α一般设置为10。
在该实施例中,设定有101个预设质量分,分别是从0到100。预设质量分0的序号为0,预设质量分100的序号为100,训练图片为第0个预设质量分也就是0的概率值为0.005(该句意为训练图片质量分为0的概率值为0.005)……训练图片为第100个预设质量分也就是100的概率值为0.005。总共101个预设质量分分别对应的概率值的和为1。
确定与训练图片的标注质量分相邻的两个预设质量分的概率值,依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分以及与训练图片的标注质量分相邻的两个预设质量分的概率值,通过第二损失函数计算训练图片对应的第二损失值,包括:根据多个预设质量分和训练图片为每个预设质量分的概率值,计算训练图片的第二质量分;根据与训练图片的标注质量分相邻的两个预设质量分的概率值,计算训练图片的概率难易权重系数;依据多个预设质量分、训练图片为每个预设质量分的概率值和训练图片的标注质量分,计算训练图片的方差难易权重系数;训练图片的第二质量分、概率难易权重系数和方差难易权重系数,通过第二损失函数计算训练图片对应的第二损失值。
通过第二损失函数计算训练图片对应的第二损失值loss2:
h1=1-(pl+pr)
i为每个预设质量分的序号,qi是第i个预设质量分,pi是训练图片为为第i个预设质量分的概率值,r是训练图片的第二质量分,∑为求和符号,pl和pr是与训练图片的标注质量分相邻的两个预设质量分的概率值,h1是训练图片的概率难易权重系数,y是训练图片的标注质量分,||是求绝对值的符号,h2是训练图片的方差难易权重系数。
比如训练图片的标注质量分为56,那么与训练图片的标注质量分相邻的两个预设质量分为55和57。
通过第三损失函数计算训练图片对应的第三损失值loss3:
loss3=(y-z)2
y是训练图片的标注质量分,z是训练图片的第一质量分。
总损失值loss=loss1+loss2+loss3
通过总损失函数计算训练图片对应的总损失值loss:
在步骤205中,利用完成训练后的图片质量评估模型进行图片质量评估,包括:获取待评估质量的目标图片;将目标图片输入完成训练后的图片质量评估模型,输出目标图片的第三质量分。
将目标图片输入完成训练后的图片质量评估模型,通过完成训练后的图片质量评估模型中的质量回归网络输出训练图片的第四质量分,通过完成训练后的图片质量评估模型中的质量分类网络输出训练图片的第五质量分,第三质量分是对第四质量分和第五质量分加权求和得到的。
其中,根据多个预设质量分和目标图片为每个预设质量分的概率值,计算目标图片的第五质量分。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的一种图片质量评估装置的示意图。如图3所示,该图片质量评估装置包括:
构建模块301,被配置为构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;
输出模块302,被配置为将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;
计算模块303,被配置为依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;
训练模块304,被配置为利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;
评估模块305,被配置为利用完成训练后的图片质量评估模型进行图片质量评估。
可以看做将残差神经网络作为主干网络,将质量分类网络和质量回归网络并行连接在主干网络后,得到图片质量评估模型。当然图片质量评估模型除了残差神经网络、质量分类网络和质量回归网络之外,还可以有其它网络,比如图片质量评估模型最后接一层网络,该层网络用于对质量分类网络和质量回归网络最终输出的结果加权求和。质量分类网络会输出训练图片为每个预设质量分的概率值,质量分类网络还可以根据多个预设质量分和训练图片为每个预设质量分的概率值,计算训练图片的第二质量分,所以质量分类网络会输出训练图片的第二质量分。图片质量评估模型最后接的一层网络,实际上是对第一质量分和第二质量分加权求和。训练数据集应当是包括大量的训练图片,为了便于理解,可以将训练图片看做一张。训练图片的标注质量分就是训练图片的标签。
根据本公开实施例提供的技术方案,构建质量分类网络和质量回归网络,利用残差神经网络、质量分类网络和质量回归网络构建图片质量评估模型;将训练数据集中的训练图片输入图片质量评估模型,通过质量分类网络输出训练图片为每个预设质量分的概率值,通过质量回归网络输出训练图片的第一质量分;依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分和第一质量分,通过总损失函数计算训练图片对应的总损失值;利用总损失值更新图片质量评估模型的模型参数,以完成对图片质量评估模型的训练;利用完成训练后的图片质量评估模型进行图片质量评估,因此,采用上述技术手段,可以解决现有技术中,评估图片质量准确率低的问题,进而提高评估图片质量的准确率。
可选地,质量分类网络内部结构依次,包括:多层卷积层、批量归一化层、激活层、平均池化层、全连接层、激活层、全连接层、softmax层。比如质量分类网络内部结构依次为2层卷积核为3x3、通道数512的卷积层,1层批量归一化层,1层prelu激活层,一层平均池化层,1层维度为(512,256)的全连接层,1层prelu激活层,1层维度为(256,101)的全连接层,后连接softmax操作。
可选地,质量回归网络内部结构依次,包括:深度可分离卷积层、批量归一化层、激活层、普通卷积层、激活层、平均池化层、全连接层、激活层、全连接层、sigmoid层。比如质量回归网络内部结构依次为1层核为3x3、通道数512的深度可分离卷积,1层批量归一化,1层gelu激活,1层核为1x1、通道数512的普通卷积,1层relu激活,一层平均池化操作,1层维度为(512,256)的全连接层,1层relu激活层,1层维度为(256,1)的全连接层,后连接sigmoid层。
可选地,计算模块303还被配置为依据多个预设质量分、训练图片为每个预设质量分的概率值和训练图片的标注质量分,通过第一损失函数计算训练图片对应的第一损失值;确定与训练图片的标注质量分相邻的两个预设质量分的概率值,依据多个预设质量分、训练图片为每个预设质量分的概率值、训练图片的标注质量分以及与训练图片的标注质量分相邻的两个预设质量分的概率值,通过第二损失函数计算训练图片对应的第二损失值;依据训练图片的标注质量分和第一质量分,通过第三损失函数计算训练图片对应的第三损失值;根据训练图片对应的第一损失值、第二损失值和第三损失值计算训练图片对应的总损失值,总损失函数,包括:第一损失函数、第二损失函数和第三损失函数。
可选地,计算模块303还被配置为通过第一损失函数计算训练图片对应的第一损失值loss1:
i为每个预设质量分的序号,qi是第i个预设质量分,pi是训练图片为为第i个预设质量分的概率值,y是训练图片的标注质量分,α是预测参数,||是求绝对值的符号,∑为求和符号。
α一般设置为10。
在该实施例中,设定有101个预设质量分,分别是从0到100。预设质量分0的序号为0,预设质量分100的序号为100,训练图片为第0个预设质量分也就是0的概率值为0.005(该句意为训练图片质量分为0的概率值为0.005)……训练图片为第100个预设质量分也就是100的概率值为0.005。总共101个预设质量分分别对应的概率值的和为1。
可选地,计算模块303还被配置为根据多个预设质量分和训练图片为每个预设质量分的概率值,计算训练图片的第二质量分;根据与训练图片的标注质量分相邻的两个预设质量分的概率值,计算训练图片的概率难易权重系数;依据多个预设质量分、训练图片为每个预设质量分的概率值和训练图片的标注质量分,计算训练图片的方差难易权重系数;训练图片的第二质量分、概率难易权重系数和方差难易权重系数,通过第二损失函数计算训练图片对应的第二损失值。
可选地,计算模块303还被配置为通过第二损失函数计算训练图片对应的第二损失值loss2:
h1=1-(pl+pr)
i为每个预设质量分的序号,qi是第i个预设质量分,pi是训练图片为为第i个预设质量分的概率值,r是训练图片的第二质量分,∑为求和符号,pl和pr是与训练图片的标注质量分相邻的两个预设质量分的概率值,h1是训练图片的概率难易权重系数,y是训练图片的标注质量分,||是求绝对值的符号,h2是训练图片的方差难易权重系数。
比如训练图片的标注质量分为56,那么与训练图片的标注质量分相邻的两个预设质量分为55和57。
可选地,计算模块303还被配置为通过第三损失函数计算训练图片对应的第三损失值loss3:
loss3=(y-z)2
y是训练图片的标注质量分,z是训练图片的第一质量分。
总损失值loss=loss1+loss2+loss3
可选地,计算模块303还被配置为通过总损失函数计算训练图片对应的总损失值loss:
可选地,评估模块305还被配置为获取待评估质量的目标图片;将目标图片输入完成训练后的图片质量评估模型,输出目标图片的第三质量分。
将目标图片输入完成训练后的图片质量评估模型,通过完成训练后的图片质量评估模型中的质量回归网络输出训练图片的第四质量分,通过完成训练后的图片质量评估模型中的质量分类网络输出训练图片的第五质量分,第三质量分是对第四质量分和第五质量分加权求和得到的。
其中,根据多个预设质量分和目标图片为每个预设质量分的概率值,计算目标图片的第五质量分。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种图片质量评估方法,其特征在于,包括:
构建质量分类网络和质量回归网络,利用残差神经网络、所述质量分类网络和所述质量回归网络构建图片质量评估模型;
将训练数据集中的训练图片输入所述图片质量评估模型,通过所述质量分类网络输出所述训练图片为每个预设质量分的概率值,通过所述质量回归网络输出所述训练图片的第一质量分;
依据多个预设质量分、所述训练图片为每个预设质量分的概率值、所述训练图片的标注质量分和第一质量分,通过总损失函数计算所述训练图片对应的总损失值;
利用所述总损失值更新所述图片质量评估模型的模型参数,以完成对所述图片质量评估模型的训练;
利用完成所述训练后的图片质量评估模型进行图片质量评估。
2.根据权利要求1所述的方法,其特征在于,依据多个预设质量分、所述训练图片为每个预设质量分的概率值、所述训练图片的标注质量分和第一质量分,通过总损失函数计算所述训练图片对应的总损失值,包括:
依据多个预设质量分、所述训练图片为每个预设质量分的概率值和所述训练图片的标注质量分,通过第一损失函数计算所述训练图片对应的第一损失值;
确定与所述训练图片的标注质量分相邻的两个预设质量分的概率值,依据多个预设质量分、所述训练图片为每个预设质量分的概率值、所述训练图片的标注质量分以及与所述训练图片的标注质量分相邻的两个预设质量分的概率值,通过第二损失函数计算所述训练图片对应的第二损失值;
依据所述训练图片的标注质量分和第一质量分,通过第三损失函数计算所述训练图片对应的第三损失值;
根据所述训练图片对应的第一损失值、第二损失值和第三损失值计算所述训练图片对应的总损失值,所述总损失函数,包括:第一损失函数、第二损失函数和第三损失函数。
4.根据权利要求2所述的方法,其特征在于,所述确定与所述训练图片的标注质量分相邻的两个预设质量分的概率值,依据多个预设质量分、所述训练图片为每个预设质量分的概率值、所述训练图片的标注质量分以及与所述训练图片的标注质量分相邻的两个预设质量分的概率值,通过第二损失函数计算所述训练图片对应的第二损失值,包括:
根据多个预设质量分和所述训练图片为每个预设质量分的概率值,计算所述训练图片的第二质量分;
根据与所述训练图片的标注质量分相邻的两个预设质量分的概率值,计算所述训练图片的概率难易权重系数;
依据多个预设质量分、所述训练图片为每个预设质量分的概率值和所述训练图片的标注质量分,计算所述训练图片的方差难易权重系数;
所述训练图片的第二质量分、概率难易权重系数和方差难易权重系数,通过第二损失函数计算所述训练图片对应的第二损失值。
6.根据权利要求1所述的方法,其特征在于,通过第三损失函数计算所述训练图片对应的第三损失值loss3:
loss3=(y-z)2
y是所述训练图片的标注质量分,z是所述训练图片的第一质量分。
7.根据权利要求1所述的方法,其特征在于,利用完成所述训练后的图片质量评估模型进行图片质量评估,包括:
获取待评估质量的目标图片;
将所述目标图片输入完成所述训练后的图片质量评估模型,输出所述目标图片的第三质量分。
8.一种图片质量评估装置,其特征在于,包括:
构建模块,被配置为构建质量分类网络和质量回归网络,利用残差神经网络、所述质量分类网络和所述质量回归网络构建图片质量评估模型;
输出模块,被配置为将训练数据集中的训练图片输入所述图片质量评估模型,通过所述质量分类网络输出所述训练图片为每个预设质量分的概率值,通过所述质量回归网络输出所述训练图片的第一质量分;
计算模块,被配置为依据多个预设质量分、所述训练图片为每个预设质量分的概率值、所述训练图片的标注质量分和第一质量分,通过总损失函数计算所述训练图片对应的总损失值;
训练模块,被配置为利用所述总损失值更新所述图片质量评估模型的模型参数,以完成对所述图片质量评估模型的训练;
评估模块,被配置为利用完成所述训练后的图片质量评估模型进行图片质量评估。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466867.7A CN115760791A (zh) | 2022-11-22 | 2022-11-22 | 图片质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466867.7A CN115760791A (zh) | 2022-11-22 | 2022-11-22 | 图片质量评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760791A true CN115760791A (zh) | 2023-03-07 |
Family
ID=85334946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211466867.7A Pending CN115760791A (zh) | 2022-11-22 | 2022-11-22 | 图片质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760791A (zh) |
-
2022
- 2022-11-22 CN CN202211466867.7A patent/CN115760791A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN111831855B (zh) | 用于匹配视频的方法、装置、电子设备和介质 | |
CN112214775A (zh) | 对图数据的注入式攻击方法、装置、介质及电子设备 | |
CN116385328A (zh) | 基于为图像添加噪声的图像数据增强方法及装置 | |
CN114420135A (zh) | 基于注意力机制的声纹识别方法及装置 | |
CN115760791A (zh) | 图片质量评估方法及装置 | |
CN116030520A (zh) | 存在遮挡的人脸识别方法及装置 | |
CN116910566B (zh) | 一种目标识别模型训练方法和装置 | |
CN108880935B (zh) | 网络节点重要度的获得方法和装置、设备、存储介质 | |
CN115147871B (zh) | 遮挡环境下行人再识别方法 | |
CN116912633B (zh) | 目标追踪模型的训练方法及装置 | |
CN116912631B (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN115830691A (zh) | 人脸识别模型的训练方法及装置 | |
CN115186757A (zh) | 自注意力模型的训练方法及装置 | |
CN117392731B (zh) | 表情识别模型的训练方法和装置 | |
CN115937929A (zh) | 针对难例样本的人脸识别模型的训练方法及装置 | |
CN117372685B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN116911313B (zh) | 一种语义漂移文本的识别方法及装置 | |
CN116911954B (zh) | 基于兴趣和流行度推荐物品的方法及装置 | |
CN115187912A (zh) | 视频流中的人体匹配方法及装置 | |
CN115630182A (zh) | 图片集中代表性图片的确定方法及装置 | |
CN115147871A (zh) | 遮挡环境下行人再识别方法 | |
CN115830692A (zh) | 人脸识别模型的训练方法及装置 | |
CN115661899A (zh) | 针对难例样本的人脸识别模型的训练方法及装置 | |
CN115359274A (zh) | 行人图像的匹配方法及装置 |
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 |