模型训练方法、数据、图像质量评估方法及相关装置制造方法及图纸

本发明专利技术公开了模型训练方法、数据、图像质量评估方法及相关装置，可以获得图像处理模型的训练样本，训练样本未携带图像质量标签，使用训练样本对图像处理模型进行训练，在训练过程中：至少从限制图像特征向量的可行区域和鼓励图像特征向量的大模长的角度，衡量图像处理模型的输出结果与真实值的差距，并基于差距更新图像处理模型。本发明专利技术可以利用训练出的图像处理模型对图像进行质量评估，避免采用人工评估的方式对图像进行质量评估，提高评估效率，避免评估准确率在图像数量较多而人力不足时的下降，且图像处理模型可以使用同一套客观的评估方式对所有的图像进行质量评估，可以避免人工评估过程中主观评估或评估原则的变化导致的评估错误。

【技术实现步骤摘要】
模型训练方法、数据、图像质量评估方法及相关装置
本专利技术涉及数据处理领域，尤其涉及一种模型训练方法、数据、图像质量评估方法及相关装置。
技术介绍
随着人工智能科学的发展，机器学习技术不断提高。人脸识别模型可以是一种机器学习模型，能自动检测出某张图像中的人脸，对检测出的人脸进行脸部识别，确定人脸的身份信息。人脸识别模型对于低质量的人脸图像(即包含人脸的图像)的脸部识别效果差。因此，在使用人脸识别模型对人脸图像进行脸部识别前，需由技术人员人为的对人脸图像进行质量评估，筛选出低质量的人脸图像，禁止机器对低质量的人脸图像进行脸部识别，减少对运算资源的无谓消耗。但是，当图像数量较多而人力不足时，人为进行的人脸质量评估的准确率可能会下降，导致低质量的人脸图像进入到机器进行的脸部识别环节，从而导致对机器的资源利用率的降低。
技术实现思路
鉴于上述问题，本专利技术提供一种克服上述问题或者至少部分地解决上述问题的模型训练方法、数据、图像质量评估方法及相关装置，技术方案如下：一种图像处理模型的训练方法，包括：<本文档来自技高网...

【技术保护点】
1.一种图像处理模型的训练方法，其特征在于，包括：/n获得所述图像处理模型的训练样本，所述训练样本未携带图像质量标签；/n使用所述训练样本对所述图像处理模型进行训练，在训练过程中：至少从限制图像特征向量的可行区域和鼓励图像特征向量的大模长的角度，衡量所述图像处理模型的输出结果与真实值的差距，并基于所述差距更新所述图像处理模型。/n

【技术特征摘要】
1.一种图像处理模型的训练方法，其特征在于，包括：
获得所述图像处理模型的训练样本，所述训练样本未携带图像质量标签；
使用所述训练样本对所述图像处理模型进行训练，在训练过程中：至少从限制图像特征向量的可行区域和鼓励图像特征向量的大模长的角度，衡量所述图像处理模型的输出结果与真实值的差距，并基于所述差距更新所述图像处理模型。


2.根据权利要求1所述的方法，其特征在于，所述使用所述训练样本对所述图像处理模型进行训练，在训练过程中：至少从限制图像特征向量的可行区域和鼓励图像特征向量的大模长的角度，衡量所述图像处理模型的输出结果与真实值的差距，并基于所述差距更新所述图像处理模型，包括：
根据预先设置的损失函数，使用所述训练样本对所述图像处理模型进行训练，在训练过程中：利用所述损失函数衡量所述图像处理模型的输出结果与真实值的差距，并基于所述差距更新所述图像处理模型；所述预先设置的损失函数的自变量包括：用于限制图像特征向量的可行区域的类间间隔函数及用于鼓励大模长的模长损失函数，所述类间间隔函数及所述模长损失函数的自变量均为图像特征向量的模长。


3.一种图像质量评估方法，其特征在于，包括：
将待评估图像输入至由权利要求1或2所述的图像处理模型的训练方法训练好的图像处理模型中，其中，所述待评估图像未携带图像质量标签；
获得由训练好的所述图像处理模型提取的所述待评估图像的目标图像特征向量；
根据所述目标图像特征向量的模长，评估所述待评估图像的质量。


4.一种数据处理模型的训练方法，其特征在于，包括：
获得所述数据处理模型的训练样本，所述训练样本未携带数据质量标签；
使用所述训练样本对所述数据处理模型进行训练，在训练过程中：至少从限制数据特征向量的可行区域和鼓励数据特征向量的大模长的角度，衡量所述数据处理模型的输出结果与真实值的差距，并基于所述差距更新所述数据处理模型。


5.一种数据质量评估方法，其特征在于，包括：
将待评估数据输入至由权利要求4所述的数据处理模型的训练方法训练好的数据处理模型中，其中，所述待评估数据未携带数据质量标签；
获得由训练好的所述数据处理模型提取的所述待评估数据的目标数据特征向量；
根据所述目标数据特征向量的模长，评估所述待评估数据的...

【专利技术属性】
技术研发人员：孟强，赵士超，周峰，
申请(专利权)人：北京爱笔科技有限公司，
类型：发明
国别省市：北京;11