本申请涉及一种图像质量检测模型训练方法、装置、和计算机设备。所述方法包括：构建各图像标签对应的图像样本集；图像标签用于表征图像质量的等级；根据图像质量指标提取各图像样本集中图像的图像特征向量；将各图像样本集中图像输入至添加CBAM注意力单元的深度卷积神经网络中，得到图像的特征矩阵向量；根据特征矩阵向量训练深度卷积神经网络，得到目标深度卷积神经网络；将特征矩阵向量和图像特征向量训练全连接神经网络，得到目标全连接神经网络；根据目标深度卷积神经网络和目标全连接神经网络得到图像质量检测模型。采用本方法能够提高图像质量检测准确性。提高图像质量检测准确性。提高图像质量检测准确性。
【技术实现步骤摘要】
图像质量检测模型训练方法、装置和计算机设备
[0001]本申请涉及图像处理
，特别是涉及一种图像质量检测模型训练方法、装置和计算机设备。
技术介绍
[0002]随着计算机技术的发展，深度学习理论在图像处理领域发展迅速，深度学习逐步应用于图像质量检测当中。图像质量检测广泛应在各个领域，如，在智能交通领域、医疗领域等，在智能交通领域通过图像质量检测可以对驾驶行为进行识别和检测。
[0003]目前图像质量的检测方法是人工识别的，或者使用设定的检测规则匹配的方法对图像质量进行检测，导致图像质量检测的准确性低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像质量检测准确性的图像质量检测模型训练方法、装置、计算机设备和存储介质。
[0005]一种图像质量检测模型训练方法，所述方法包括：
[0006]构建各图像标签对应的图像样本集；所述图像标签用于表征图像质量的等级；
[0007]根据图像质量指标提取各所述图像样本集中图像的图像特征向量；
[0008]将各所述图像样本集中图像输入至添加CBAM注意力单元的深度卷积神经网络中，得到图像的特征矩阵向量；
[0009]根据所述特征矩阵向量训练所述深度卷积神经网络，得到目标深度卷积神经网络；
[0010]将所述特征矩阵向量和所述图像特征向量训练所述全连接神经网络，得到目标全连接神经网络；
[0011]根据所述目标深度卷积神经网络和所述目标全连接神经网络得到图像质量检测模型。
[0012]在其中一个实施例中，所述构建各图像标签对的图像样本集，包括：
[0013]获取原始图像集中各图像的下载频次和点击频次；
[0014]根据各图像的下载频次和点击频次确定图像质量的等级，得到所述原始图像集中各图像的图像标签，构建各图像标签对应的图像样本集。
[0015]在其中一个实施例中，所述根据各图像的下载频次和点击频次确定图像质量的等级，得到所述原始图像集中各图像的图像标签，构建各图像标签对应的图像样本集，包括：
[0016]对各图像的下载频次和点击频次按照从大到小的顺序进行排序；
[0017]根据各所述图像在所述原始图像集中的排序位置，确定各图像的图像质量的等级，得到所述原始图像集中各图像的图像标签，构建各图像标签对应的图像样本集。
[0018]在其中一个实施例中，所述CBAM注意力单元包括通道注意力单元和空间注意力单元，所述将各所述图像样本集中图像输入添加CBAM注意力单元的深度卷积神经网络中，得
到对应的特征矩阵向量，包括：
[0019]将各所述图像样本集中图像进行填充处理，将填充处理后的初始图像特征依次输入到所述通道注意力单元和空间注意力单元中，通过权重系数对所述图像特征进行加权求和处理，得到空间注意图；
[0020]对所述空间注意图的图像特征进行卷积处理，得到对应的特征矩阵向量。
[0021]在其中一个实施例中，所述将填充处理后的初始图像特征依次输入到所述通道注意力单元和空间注意力单元中，通过权重系数对所述图像特征进行加权求和处理，得到空间注意图的图像特征，包括：
[0022]通过通道注意力单元对所述初始图像特征进行全局平均池化和最大池化处理，得到两个第一通道；
[0023]将所述两个第一通道输入至共享参数的全连接神经网络中，得到两个中间图像特征；
[0024]通过对两个所述中间图像特征的相加结果进行激活处理，得到第一权重系数；
[0025]根据所述第一权重系数和所述初始图像特征的相乘结果，得到通道注意图；
[0026]通过所述空间注意力单元对所述通道注意图进行全局平均池化和最大池化处理，得到两个第二通道；
[0027]通过卷积层和激活函数对两个所述第二通道的通道拼接结果进行处理，得到第二权重系数；
[0028]将所述第二权重系数和所述通道注意图相乘，得到空间注意图。
[0029]在其中一个实施例中，所述将所述特征矩阵向量和所述图像特征向量训练所述全连接神经网络，得到目标全连接神经网络，包括：
[0030]将所述特征矩阵向量和所述图像特征向量进行融合，得到融合图像特征向量；
[0031]将所述融合图像特征向量输入至全连接神经网络中，得到表征图像标签类别的类别特征向量；
[0032]根据所述类别特征向量和期望类别特征向量，通过梯度反向传播优化所述全连接神经网络，得到目标全连接神经网络。
[0033]在其中一个实施例中，所述方法还包括：
[0034]获取待检测图像；
[0035]提取所述待检测图像的图像特征向量，将所述图像特征向量和所述待检测图像输入至图像质量检测模型中，得到所述待检测图像对应的图像标签。
[0036]一种图像质量检测模型训练装置，所述装置包括：
[0037]构建模块，用于构建各图像标签对应的图像样本集；所述图像标签用于表征图像质量的等级；
[0038]提取模块，用于根据图像质量指标提取各所述图像样本集中图像的图像特征向量；
[0039]输入模块，用于将各所述图像样本集中图像输入至包含注意力机制的深度卷积神经网络，得到图像的特征矩阵向量；
[0040]第一训练模块，用于根据所述特征矩阵向量训练所述深度卷积神经网络，得到目标深度卷积神经网络；
[0041]第二训练模块，用于将所述特征矩阵向量和所述图像特征向量训练所述全连接神经网络，得到目标全连接神经网络；
[0042]确定模块，用于根据所述目标深度卷积神经网络和所述目标全连接神经网络得到图像质量检测模型。
[0043]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0044]构建各图像标签对应的图像样本集；所述图像标签用于表征图像质量的等级；
[0045]根据图像质量指标提取各所述图像样本集中图像的图像特征向量；
[0046]将各所述图像样本集中图像输入至添加CBAM注意力单元的深度卷积神经网络中，得到图像的特征矩阵向量；
[0047]根据所述特征矩阵向量训练所述深度卷积神经网络，得到目标深度卷积神经网络；
[0048]将所述特征矩阵向量和所述图像特征向量训练所述全连接神经网络，得到目标全连接神经网络；
[0049]根据所述目标深度卷积神经网络和所述目标全连接神经网络得到图像质量检测模型。
[0050]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0051]构建各图像标签对应的图像样本集；所述图像标签用于表征图像质量的等级；
[0052]根据图像质量指标提取各所述图像样本集中图像的图像特征向量；
[0053]将各所述图像样本集中图像输入至添加CBAM注意力单元的深度卷积神经网络中，得到图像的特征矩阵向量；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像质量检测模型训练方法，其特征在于，所述方法包括：构建各图像标签对应的图像样本集；所述图像标签用于表征图像质量的等级；根据图像质量指标提取各所述图像样本集中图像的图像特征向量；将各所述图像样本集中图像输入至添加CBAM注意力单元的深度卷积神经网络中，得到图像的特征矩阵向量；根据所述特征矩阵向量训练所述深度卷积神经网络，得到目标深度卷积神经网络；将所述特征矩阵向量和所述图像特征向量训练全连接神经网络，得到目标全连接神经网络；根据所述目标深度卷积神经网络和所述目标全连接神经网络得到图像质量检测模型。2.根据权利要求1所述的方法，其特征在于，所述构建各图像标签对的图像样本集，包括：获取原始图像集中各图像的下载频次和点击频次；根据各图像的下载频次和点击频次确定图像质量的等级，得到所述原始图像集中各图像的图像标签，构建各图像标签对应的图像样本集。3.根据权利要求2所述的方法，其特征在于，所述根据各图像的下载频次和点击频次确定图像质量的等级，得到所述原始图像集中各图像的图像标签，构建各图像标签对应的图像样本集，包括：对各图像的下载频次和点击频次按照从大到小的顺序进行排序；根据各所述图像在所述原始图像集中的排序位置，确定各图像的图像质量的等级，得到所述原始图像集中各图像的图像标签，构建各图像标签对应的图像样本集。4.根据权利要求1所述的方法，其特征在于，所述CBAM注意力单元包括通道注意力单元和空间注意力单元，所述将各所述图像样本集中图像输入添加CBAM注意力单元的深度卷积神经网络中，得到对应的特征矩阵向量，包括：将各所述图像样本集中图像进行填充处理，将填充处理后的初始图像特征依次输入到所述通道注意力单元和空间注意力单元中，通过权重系数对所述图像特征进行加权求和处理，得到空间注意图；对所述空间注意图的图像特征进行卷积处理，得到对应的特征矩阵向量。5.根据权利要求4所述的方法，其特征在于，所述将填充处理后的初始图像特征依次输入到所述通道注意力单元和空间注意力单元中，通过权重系数对所述图像特征进行加权求和处理，得到空间注意图的图像特征，包括：通过通道注意力单元对所述初始图像特征进行全局平均池化和最大池化处理，得到两个第一通道；将所述两个第一通道输入至共享参数的全连接神...
【专利技术属性】
技术研发人员：郑雷，邓承，
申请(专利权)人：卓尔智联武汉研究院有限公司，
类型：发明
国别省市：
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。