图片质量分数模型的训练方法及装置制造方法及图纸

本公开涉及一种图片质量分数模型的训练方法及装置。所述方法包括：获取多个原始样本，所述原始样本包括样本图片以及所述样本图片对应的质量分数；根据所述样本图片对应的质量分数确定出多个配对样本，所述配对样本包括成对的样本图片以及所述成对的样本图片对应的质量对比结果；基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络，所述特征提取网络用于提取所述样本图片的特征向量；基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型。本公开可基于少量的样本训练出高准确率的图片质量分数模型。

Training Method and Device of Picture Mass Score Model

【技术实现步骤摘要】
图片质量分数模型的训练方法及装置
本公开涉及图像处理
，尤其涉及一种图片质量分数模型的训练方法及装置。
技术介绍
在电子商务系统中，商家往往会采用很多的图片来展示商品信息。其中，高质量的商品图片需要具备以下条件：主观直觉好看、商品识别度高、主体突出、以及图片本身质量好。目前，在计算商品图片的质量分数时，往往会用到图片质量分数模型。为了确保图片质量分数的准确率，往往需要采用大量的样本图片来对该模型进行训练，以期能够训练出一高准确率的模型来计算商品图片的质量分数。但在训练图片质量分数模型时，实际可能仅有一两千的标注样本，每个样本对应有一质量分数(0～100)，此时若采用普通的深度神经网络直接训练，则可能存在样本不足的问题，从而导致训练出的质量分数模型无法达到预期的准确率。
技术实现思路
为了克服相关技术中存在的问题，本公开实施例提供一种图片质量分数模型的训练方法及装置。所述技术方案如下：根据本公开实施例的第一方面，提供一种图片质量分数模型的训练方法，包括：获取多个原始样本，所述原始样本包括样本图片以及所述样本图片对应的质量分数；根据所述样本图片对应的质量分数确定出多个配对样本，所述配对样本包括成对的样本图片以及所述成对的样本图片对应的质量对比结果；基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络，所述特征提取网络用于提取所述样本图片的特征向量；基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型。在一个实施例中，根据所述样本图片对应的质量分数确定出多个配对样本包括：计算任意两个原始样本中所述样本图片对应的质量分数的差值；将所述差值超过预设阈值的两张所述样本图片进行配对，并对已配对的两张所述样本图片的质量对比结果进行标注，以得到所述配对样本。在一个实施例中，基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络包括：以所述配对样本作为所述双路神经网络的输入数据对所述双路神经网络进行训练；在所述双路神经网络的输出结果与所述成对的样本图片对应的质量对比结果的相似度超过预设相似度时，将所述双路神经网络中的单路神经网络确定为所述特征提取网络，并自所述特征提取网络中提取所述样本图片的特征向量。在一个实施例中，基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型包括：基于所述样本图片的特征向量对支持向量回归模型进行训练，以得到所述图片质量分数模型。根据本公开实施例的第二方面，提供一种图片质量分数模型的训练装置，包括：获取模块，被配置为获取多个原始样本，所述原始样本包括样本图片以及所述样本图片对应的质量分数；配对模块，被配置为根据所述样本图片对应的质量分数确定出多个配对样本，所述配对样本包括成对的样本图片以及所述成对的样本图片对应的质量对比结果；提取模块，被配置为基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络，所述特征提取网络用于提取所述样本图片的特征向量；训练模块，被配置为基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型。在一个实施例中，所述配对模块包括：差值计算单元，被配置为计算任意两个原始样本中所述样本图片对应的质量分数的差值；样本配对单元，被配置为将所述差值超过预设阈值的两张所述样本图片进行配对，并对已配对的两张所述样本图片的质量对比结果进行标注，以得到所述配对样本。在一个实施例中，所述提取模块包括：第一训练单元，被配置为以所述配对样本作为所述双路神经网络的输入数据对所述双路神经网络进行训练；特征提取单元，被配置为在所述双路神经网络的输出结果与所述成对的样本图片对应的质量对比结果的相似度超过预设相似度时，将所述双路神经网络中的单路神经网络确定为所述特征提取网络，并自所述特征提取网络中提取所述样本图片的特征向量。在一个实施例中，所述训练模块包括：第二训练单元，被配置为基于所述样本图片的特征向量对支持向量回归模型进行训练，以得到所述图片质量分数模型。根据本公开实施例的第三方面，提供一种模型训练装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行第一方面任一实施例所述方法的步骤。根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面任一实施例所述方法的步骤。本公开实施例所提供的技术方案可以包括以下有益效果：本公开技术方案可根据样本图片的质量分数来对原始样本进行配对处理，从而达到扩充样本数量的效果，并基于配对样本而对双路神经网络进行训练，以便将训练好的双路神经网络中的单路神经网络确定为特征提取网络，以用于提取样本图片的特征向量，再进一步基于样本图片的向量特征而对机器学习模型进行训练，从而确定出最终的图片质量分数模型。基于此可知，本公开技术方案针对原始样本的配对处理不仅能够显著的扩充样本数量，同时还能将样本标注问题转换为分类问题，从而能够大幅度的提升图片质量分数模型的准确率。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是根据示例性实施例示出的图片质量分数模型的训练方法流程图；图2是根据示例性实施例示出的配对样本的确定方法流程图；图3是根据示例性实施例示出的特征提取网络的确定方法流程图；图4a是根据示例性实施例示出的图片质量分数模型的训练装置模块图；图4b是根据示例性实施例示出的图片质量分数模型的训练装置模块图；图4c是根据示例性实施例示出的图片质量分数模型的训练装置模块图；图4d是根据示例性实施例示出的图片质量分数模型的训练装置模块图；图5是根据示例性实施例示出的用于图片质量分数模型的训练装置的模块框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。本公开实施例所提供的技术方案涉及图片质量分数模型的训练方法，可应用于服务器，具体可用于确定商品图片的质量分数，其目的在于采用少量的样本训练出高准确度的图片质量分数模型。相关技术中，在训练图片质量分数模型时，实际可能仅有一两千的标注样本，每个样本对应有一质量分数(0～100)，此时若采用普通的深度神经网络直接训练，则会出现样本不足的问题，从而导致训练出的质量分数模型无法达到预期的准确率。基于此，本公开技术方案可根据样本图片的质量分数来对原始样本进行配对处理，从而达到扩充样本数量的效果，并基于配对样本而对双路神经网络进行训练，以便将训练好的双路神经网络中的单路神经网络确定为特征提取网络，以用于提取样本图片的特征向量，再进一步基于样本图片的向量特征而对机器学习模型进行训练，从而确定出最终的图片质量分数模型。基于此可知，本公开技术方案针对原始样本的配本文档来自技高网...

【技术保护点】
1.一种图片质量分数模型的训练方法，其特征在于，包括：获取多个原始样本，所述原始样本包括样本图片以及所述样本图片对应的质量分数；根据所述样本图片对应的质量分数确定出多个配对样本，所述配对样本包括成对的样本图片以及所述成对的样本图片对应的质量对比结果；基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络，所述特征提取网络用于提取所述样本图片的特征向量；基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型。

【技术特征摘要】
1.一种图片质量分数模型的训练方法，其特征在于，包括：获取多个原始样本，所述原始样本包括样本图片以及所述样本图片对应的质量分数；根据所述样本图片对应的质量分数确定出多个配对样本，所述配对样本包括成对的样本图片以及所述成对的样本图片对应的质量对比结果；基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络，所述特征提取网络用于提取所述样本图片的特征向量；基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型。2.根据权利要求1所述的方法，其特征在于，根据所述样本图片对应的质量分数确定出多个配对样本包括：计算任意两个原始样本中所述样本图片对应的质量分数的差值；将所述差值超过预设阈值的两张所述样本图片进行配对，并对已配对的两张所述样本图片的质量对比结果进行标注，以得到所述配对样本。3.根据权利要求1所述的方法，其特征在于，基于所述配对样本对双路神经网络进行训练，并将所述双路神经网络中的单路神经网络确定为特征提取网络包括：以所述配对样本作为所述双路神经网络的输入数据对所述双路神经网络进行训练；在所述双路神经网络的输出结果与所述成对的样本图片对应的质量对比结果的相似度超过预设相似度时，将所述双路神经网络中的单路神经网络确定为所述特征提取网络，并自所述特征提取网络中提取所述样本图片的特征向量。4.根据权利要求1所述的方法，其特征在于，基于所述样本图片的特征向量对预设的机器学习模型进行训练，以得到所述图片质量分数模型包括：基于所述样本图片的特征向量对支持向量回归模型进行训练，以得到所述图片质量分数模型。5.一种图片质量分数模型的训练装置，其特征在于，包括：获取模块，被配置为获取多个原始样本，所述原始样本包括样本图片以及所述样本图片对...

【专利技术属性】
技术研发人员：尹小刚，
申请(专利权)人：无线生活北京信息技术有限公司，
类型：发明
国别省市：北京,11