视频清晰度评估模型训练方法、设备及存储介质技术

本申请公开了一种视频清晰度评估模型训练方法、设备及存储介质，在该方案中，保持经过预训练的特征提取层的参数不变，利用训练视频集仅更新初始模型中的全连接层和特征映射层，用更新后的全连接层替换初始模型中的全连接层，用更新后的特征映射层替换初始模型中的特征映射层后，从而可得到更新后的初始模型；若更新后的初始模型中的全连接层和特征映射层收敛，则利用训练视频集对整个更新后的初始模型进行训练，从而得到视频清晰度评估模型。本申请能够提取出精度更高的视频特征，因此可提高视频清晰度评估结果的准确性，从而提高了模型评估精度，且有利于模型收敛，降低了模型训练成本。

【技术实现步骤摘要】
视频清晰度评估模型训练方法、设备及存储介质
本申请涉及计算机
，特别涉及一种视频清晰度评估模型训练方法、设备及存储介质。
技术介绍
目前，一般利用卷积神经网络评估直播视频的清晰度，但由于卷积神经网络提取特征的能力有限，导致视频清晰度评估结果的准确性有限。同时，卷积神经网络的网络参数较多，在训练卷积神经网络时不利于模型收敛，因此卷积神经网络的训练成本也较大。
技术实现思路
有鉴于此，本申请的目的在于提供一种视频清晰度评估模型训练方法、设备及存储介质，以降低模型训练本，提高模型评估精度。其具体方案如下：为实现上述目的，一方面，本申请提供了一种视频清晰度评估模型训练方法，包括：标注各个视频样本的清晰度评分，获得训练视频集；将所述训练视频集输入初始模型，以得到所述训练视频集中的各个视频样本的第一清晰度预测结果；其中，所述初始模型包括：用于提取视频特征的、且经过预训练的特征提取层，用于将视频特征由低维度特征映射为高维度特征的特征映射层，以及用于分类特征的全连接层；保持所述特征提取层的参数不本文档来自技高网...

【技术保护点】
1.一种视频清晰度评估模型训练方法，其特征在于，包括：/n标注各个视频样本的清晰度评分，获得训练视频集；/n将所述训练视频集输入初始模型，以得到所述训练视频集中的各个视频样本的第一清晰度预测结果；/n其中，所述初始模型包括：用于提取视频特征的、且经过预训练的特征提取层，用于将视频特征由低维度特征映射为高维度特征的特征映射层，以及用于分类特征的全连接层；/n保持所述特征提取层的参数不变，利用所述第一清晰度预测结果与所述清晰度评分之间的损失值，更新所述全连接层和所述特征映射层的参数；/n用更新后的全连接层替换所述初始模型中的全连接层，用更新后的特征映射层替换所述初始模型中的特征映射层，以得到更新后...

【技术特征摘要】
1.一种视频清晰度评估模型训练方法，其特征在于，包括：
标注各个视频样本的清晰度评分，获得训练视频集；
将所述训练视频集输入初始模型，以得到所述训练视频集中的各个视频样本的第一清晰度预测结果；
其中，所述初始模型包括：用于提取视频特征的、且经过预训练的特征提取层，用于将视频特征由低维度特征映射为高维度特征的特征映射层，以及用于分类特征的全连接层；
保持所述特征提取层的参数不变，利用所述第一清晰度预测结果与所述清晰度评分之间的损失值，更新所述全连接层和所述特征映射层的参数；
用更新后的全连接层替换所述初始模型中的全连接层，用更新后的特征映射层替换所述初始模型中的特征映射层，以得到更新后的初始模型；
若所述更新后的初始模型中的全连接层和特征映射层收敛，则利用所述训练视频集训练所述更新后的初始模型，以得到视频清晰度评估模型。


2.根据权利要求1所述的视频清晰度评估模型训练方法，其特征在于，
若所述更新后的初始模型中的全连接层和/或特征映射层未收敛，则用所述更新后的初始模型替换所述初始模型，并执行所述将所述训练视频集输入初始模型，以得到所述训练视频集中的各个视频样本的第一清晰度预测结果的步骤。


3.根据权利要求1所述的视频清晰度评估模型训练方法，其特征在于，所述利用所述训练视频集训练所述更新后的初始模型，以得到视频清晰度评估模型，包括：
利用所述更新后的初始模型中的特征提取层，提取所述训练视频集中的各个视频样本的视频特征；
利用所述更新后的初始模型中的特征映射层，将所述视频特征由低维度特征映射为高维度特征；
利用所述更新后的初始模型中的特征交汇聚合层，对所述高维度特征进行双线性池化操作和聚合操作，以得到包括高阶特征和低阶特征的聚合特征；所述更新后的初始模型还包括所述特征交汇聚合层；
利用所述更新后的初始模型中的全连接层分类所述聚合特征，以得到所述训练视频集中的各个视频样本的第二清晰度预测结果；
利用所述第二清晰度预测结果和所述清晰度评分的损失值，更新所述更新后的初始模型的参数；
若达到模型收敛条件，则将当前模型作为所述视频清晰度评估模型。

【专利技术属性】
技术研发人员：黄飞，
申请(专利权)人：腾讯音乐娱乐科技深圳有限公司，
类型：发明
国别省市：广东;44