显著性图像生成方法、装置及服务器制造方法及图纸

本发明专利技术提供一种显著性图像生成方法、装置及服务器，所述方法包括：获得所有测试用户的遗忘度特征，并根据测试用户的遗忘度特征将测试用户分为多个群体，其中每个群体的遗忘度特征相同；获取清晰样本图像集以及每个群体的标注样本图像集，其中标注样本图像集与清晰样本图像集对应；采用神经网络模型分别每个群体的标注样本图像集以及清晰样本图像进行训练，构建每个群体的预测模型；获得目标用户的遗忘度特征，根据目标用户的遗忘度特征以及预测模型确定目标预测模型，并将目标图像输入目标预测模型中，以生成显著性图像，提高了生成的显著性图像与用户实际的视觉系统的显著性的匹配度。

【技术实现步骤摘要】
显著性图像生成方法、装置及服务器
本专利技术涉及计算机视觉领域，尤其涉及一种显著性图像生成方法、装置及服务器。
技术介绍
人类视觉系统的显著性具有快速搜索和定位感兴趣目标的能力，人在面对自然场景时，可根据视觉系统的显著性快速地过滤掉不重要的信息，让我们的注意力更加集中在感兴趣的区域。因此，在图像推送的应用场景中，通过预测不同用户的视觉系统的显著性，并根据预测的图像显著性预测结果生成待推送的图像，提高了用户对于待推送的图像的感兴趣程度。现有技术中，显著性检测方法大多采用深度学习的方法，根据用户提交的显著性图像样本进行训练，即将卷积操作与池化操作相结合，利用深度卷积神经网络提取图像特征，获得显著性预测模型，并根据显著性预测模型获得待推送的显著性图像。然而，现有技术中，用户对于图像的遗忘性会导致用户提交的显著性图像样本中丢失一些图像的特征信息，使得获得显著性预测模型的准确度较低，导致根据生成的显著性图像与用户实际的视觉系统的显著性不匹配。
技术实现思路
本专利技术的目的在于提供一种显著性图像生成方法、装置及服务器，以提高生成的显著性图像与用户实际的视觉系统的显著性的匹配度。第一方面，本专利技术提供一种显著性图像生成方法，包括：获得所有测试用户的遗忘度特征，并根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，其中每个群体的遗忘度特征相同；获取清晰样本图像集以及每个群体的标注样本图像集，其中所述标注样本图像集与所述清晰样本图像集对应；采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型；获得目标用户的遗忘度特征，根据所述目标用户的遗忘度特征以及所述预测模型确定目标预测模型，并将目标图像输入所述目标预测模型中，以生成显著性图像。在一种可能的设计中，所述根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，包括：根据所述测试用户的遗忘度特征将所述测试用户分为第一群体、第二群体以及第三群体，其中所述第一群体中的测试用户的遗忘度较高、所述第二群体中的测试用户的遗忘度正常以及所述第三群体中的测试用户的遗忘度较低。在一种可能的设计中，所述采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型，包括：分别根据所述第一群体、所述第二群体以及所述第三群体的标注样本图像集以及清晰样本图像集获得第一训练集、第二训练集以及第三训练集，并采用神经网络模型分别对所述第一训练集、所述第二训练集以及所述第三训练集进行卷积神经网络训练，构建第一预测模型、第二预测模型以及第三预测模型；其中所述卷积神经网络训练的步骤为：构建卷积神经网络模型，并将所述清晰样本图像集输入所述卷积神经网络模型中进行迭代训练，获得显著性预测图集；根据所述标注样本图像集与所述显著性预测图集确定损失函数集，并根据损失函数集中的最小损失函数确定预测模型。在一种可能的设计中，所述分别根据所述第一群体、所述第二群体以及所述第三群体的标注样本图像集以及清晰样本图像集获得第一训练集、第二训练集以及第三训练集，并分别根据所述第一训练集、所述第二训练集以及所述第三训练集构建第一预测模型、第二预测模型以及第三预测模型，包括；分别根据所述第一训练集、所述第二训练集以及所述第三训练集进行卷积神经网络模型训练，以构建第一预测模型、第二预测模型以及第三预测模型，其中所述卷积神经网络模型训练的步骤为：构建卷积神经网络模型，并将所述清晰样本图像集输入所述卷积神经网络模型中进行迭代训练，获得视觉预测图集；根据所述标注样本图像集与所述视觉预测图集确定损失函数集，并根据损失函数集中的最小损失函数确定预测模型。在一种可能的设计中，所述获取清晰样本图像集以及每个群体的标注样本图像集，包括：获取清晰样本图像集，并将清晰样本图像集进行高斯模糊处理获得测试图像集；根据不同群体的用户对所述测试图像集的标注数据获得不同群体的用户的标注样本图像集，其中所述标注数据为坐标数据。在一种可能的设计中，所述获得所有测试用户的遗忘度特征，包括：获取所有测试用户的遗忘度测评数据；根据所述遗忘度测评数据获得测试用户遗忘度特征，其中所述遗忘度测评数据包括：心理学量表测评数据、快速测试问卷测评数据以及自我测评数据中的至少一种。第二方面，本专利技术实施例提供一种显著性图像生成装置，基于第一方面任一项所述的显著性图像生成方法，包括：获得模块，用于获得所有测试用户的遗忘度特征，并根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，其中每个群体的遗忘度特征相同；获取模块，用于获取清晰样本图像集以及每个群体的标注样本图像集，其中所述标注样本图像集与所述清晰样本图像集对应；构建模块，用于采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型；生成模块，用于获得目标用户的遗忘度特征，根据所述目标用户的遗忘度特征以及所述预测模型确定目标预测模型，并将目标图像输入所述目标预测模型中，以生成显著性图像。在一种可能的设计中，所述获得模块具体用于：根据所述测试用户的遗忘度特征将所述测试用户分为第一群体、第二群体以及第三群体，其中所述第一群体中的测试用户的遗忘度较高、所述第二群体中的测试用户的遗忘度正常以及所述第三群体中的测试用户的遗忘度较低。第三方面，本专利技术实施例提供一种服务器，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一项所述的显著性图像生成方法；第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的显著性图像生成方法。第五方面，本专利技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的显著性图像生成方法。本专利技术实施例提供的一种显著性图像生成方法、装置及服务器，通过根据测试用户的遗忘度特征将测试用户分为多个群体，并分别根据每个群体的标注样本图像集以及清晰样本图像集获得每个群体的训练集，并分别根据每个群体的训练集构建多个预测模型，根据目标用户的遗忘度特征以及多个预测模型确定目标预测模型，并通过将目标图像输入目标预测模型中，以生成显著性图像，提高了生成的显著性图像与用户实际的视觉系统的显著性的匹配度。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，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1为本专利技术实施例提供的显著性图像生成方法的应用场景示意图；图2为本专利技术实施例提供的显著性图像生成方法流程图一；图3为本专利技术实施例提供的清晰样本图像的示意图本文档来自技高网...

【技术保护点】
1.一种显著性图像生成方法，其特征在于，包括：/n获得所有测试用户的遗忘度特征，并根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，其中每个群体的遗忘度特征相同；/n获取清晰样本图像集以及每个群体的标注样本图像集，其中所述标注样本图像集与所述清晰样本图像集对应；/n采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型；/n获得目标用户的遗忘度特征，根据所述目标用户的遗忘度特征以及所述预测模型确定目标预测模型，并将目标图像输入所述目标预测模型中，以生成显著性图像。/n

【技术特征摘要】
1.一种显著性图像生成方法，其特征在于，包括：
获得所有测试用户的遗忘度特征，并根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，其中每个群体的遗忘度特征相同；
获取清晰样本图像集以及每个群体的标注样本图像集，其中所述标注样本图像集与所述清晰样本图像集对应；
采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型；
获得目标用户的遗忘度特征，根据所述目标用户的遗忘度特征以及所述预测模型确定目标预测模型，并将目标图像输入所述目标预测模型中，以生成显著性图像。


2.根据权利要求1所述的方法，其特征在于，所述根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，包括：
根据所述测试用户的遗忘度特征将所述测试用户分为第一群体、第二群体以及第三群体，其中所述第一群体中的测试用户的遗忘度较高、所述第二群体中的测试用户的遗忘度正常以及所述第三群体中的测试用户的遗忘度较低。


3.根据权利要求2所述的方法，其特征在于，所述采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型，包括：
分别根据所述第一群体、所述第二群体以及所述第三群体的标注样本图像集以及清晰样本图像集获得第一训练集、第二训练集以及第三训练集，并采用神经网络模型分别对所述第一训练集、所述第二训练集以及所述第三训练集进行卷积神经网络训练，构建第一预测模型、第二预测模型以及第三预测模型；
其中所述卷积神经网络训练的步骤为：
构建卷积神经网络模型，并将所述清晰样本图像集输入所述卷积神经网络模型中进行迭代训练，获得显著性预测图集；
根据所述标注样本图像集与所述显著性预测图集确定损失函数集，并根据损失函数集中的最小损失函数确定预测模型。


4.根据权利要求1所述的方法，其特征在于，所述获取清晰样本图像集以及每个群体的标注样本图像集，包括：
获取清晰样本图像集，并将清晰样本图像集进行高斯模糊处理获得测试图像集；
根据不同群体的用户对所述测试图像集的标注数据获得不同群体的用户的标注...

【专利技术属性】
技术研发人员：胡屹凛，高星宇，方小刚，
申请(专利权)人：联通浙江产业互联网有限公司，
类型：发明
国别省市：浙江;33