【技术实现步骤摘要】
图像评分模型训练方法及装置和图像评分方法及装置
本专利技术的实施方式涉及图像质量估计
，更具体地，本专利技术的实施方式涉及图像评分模型训练方法及装置和图像评分方法及装置。
技术介绍
本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。对于图像质量估计，传统方法一般是抽取图像浅层特征来估计，如采用图像梯度特征来估计图像清晰度。采用这些浅层特征估计的图像质量分数往往是无明确取值范围的，较难将图像按质量分数设置阈值来划分质量等级，评估准确度也有限。深度学习发展以来，深度网络模型对于图像语义理解有着出色表现，对于图像质量估计，也有方法提出采用深度学习模型来估计。通常的处理方式是将该问题转换为一个分类问题或者回归问题。如果当作分类问题，则将训练数据划分为高质量图像与低质量图像，然后训练二分类模型来预估图像属于高质量或是低质量图像。但是，这种分类是粗粒度的，同一类别中图像质量等级较难区分。如果当作回归问题，即训练模型来拟合人工标注分数，则不同的训练策略会得到不同的预估准确度。可见，现有的图像质量估计方法，都...
【技术保护点】
1.一种图像评分模型训练方法，其特征在于，包括：选取至少两个样本图像，将所述样本图像分别输入所述图像评分模型；根据所述图像评分模型输出的各个样本图像的评估分数对所述样本图像进行排序；针对所述至少两个样本图像，如果根据评估分数的排序结果与根据实际分数的排序结果不同，则生成第一损失函数，采用所述第一损失函数训练所述图像评分模型。
【技术特征摘要】
1.一种图像评分模型训练方法，其特征在于，包括：选取至少两个样本图像，将所述样本图像分别输入所述图像评分模型；根据所述图像评分模型输出的各个样本图像的评估分数对所述样本图像进行排序；针对所述至少两个样本图像，如果根据评估分数的排序结果与根据实际分数的排序结果不同，则生成第一损失函数，采用所述第一损失函数训练所述图像评分模型。2.根据权利要求1所述的方法，其特征在于，当选取两个样本图像时，所述第一损失函数与所述两个样本图像的评估分数之间的差值正相关。3.根据权利要求2所述的方法，其特征在于，所述第一损失函数为所述两个样本图像的评估分数之间的差值的指数倍。4.根据权利要求1-3任一所述的方法，其特征在于，所述选取至少两个样本图像之前，进一步包括：建立样本图像库，所述样本图像库包括随机选取的多个样本图像，各个样本图像的实际分数由人工设定。5.根据权利要求4所述的方法，其特征在于，所述样本图像的实际分数的评分标准包括以下项中的至少一项：图像主体强调程度、画面布局、色彩丰富度、对比度、清晰度和画面杂乱程度。6.一种图像评分方法，其特征在于，包括：获取待评分图像；将所述待评分图像输入图像评分模型，由所述图像评分模型输出所述待评分图像的评估分数；所述图像评分模型是由多组任意选取的样本图像训练得到的，每组样本图像包括至少两个样本图像，训练的方式为：由所述图像评分模型对一组中的各个样本图像分别进行评估，得到评估分数；针对一组中的各个样本图像，如果根据评估分...
【专利技术属性】
技术研发人员：侯晓霞，许盛辉，刘彦东，
申请(专利权)人：网易传媒科技北京有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。