图片筛选方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种图片筛选方法、系统、设备及存储介质，所述方法包括步骤：获取待测图片；应用训练好的目标深度学习模型对待测图片进行评分，得到各个待测图片的评分值；所述目标深度学习模型为基于第二训练集对初始深度学习模型训练得到的，所述初始深度学习模型为基于第一训练集对预设深度学习模型训练得到的；所述初始深度学习模型训练过程中的第二学习率小于所述预设深度学习模型训练时的第一学习率；所述预设深度学习模型为Transformer模型；根据所述评分值对所述待测图片进行筛选；本申请提高了针对旅游展示图片筛选的准确度。度。度。

【技术实现步骤摘要】
图片筛选方法、系统、设备及存储介质


[0001]本专利技术涉及计算机
，具体地说，涉及一种图片筛选方法、系统、设备及存储介质。

技术介绍

[0002]对于OTA(Online Travel Agency，在线旅游代理)平台，在推介各个旅游景点时，需要选取包括图片质量和拍摄角度等参数都较佳的图片作为展示图片，以吸引游客。也即，需要对各个图片进行评分，将评分较高的图片筛选出来进行推荐展示。
[0003]现有技术中，一般使用卷积神经网络来对图片进行评分，但是卷积神经网络无法捕获图片内部图像块的内在联系，也就无法实现更加准确地理解图片内容，达到提供的图片评分更加准确的目的。也即，这些评分模型对旅游展示图片的评分准确度较低。

技术实现思路

[0004]针对现有技术中的问题，本专利技术的目的在于提供一种图片筛选方法、系统、设备及存储介质，提高针对旅游展示图片的评分准确度。
[0005]为实现上述目的，本专利技术提供了一种图片筛选方法，所述方法包括以下步骤：
[0006]S110，获取待测图片；
[0007]S120，应用训练好的目标深度学习模型对待测图片进行评分，得到各个待测图片的评分值；所述目标深度学习模型为基于第二训练集对初始深度学习模型训练得到的，所述初始深度学习模型为基于第一训练集对预设深度学习模型训练得到的；所述初始深度学习模型训练过程中的第二学习率小于所述预设深度学习模型训练时的第一学习率；所述预设深度学习模型为Transformer模型；
[0008]S130，根据所述评分值对所述待测图片进行筛选。
[0009]可选地，所述评分值用于指示图片的优美度，所述优美度包括图片的拍摄对象是否归属于预设对象库以及图片的质量。
[0010]可选地，所述初始深度学习模型为基于第一训练集对预设深度学习模型训练得到的，包括：
[0011]S121，将所述第一训练集的图片转换成一维的第一矩阵，基于第一矩阵得到第一位置编码矩阵，将第一矩阵和第一位置编码矩阵相加得到第一输入矩阵，将第一输入矩阵作为预设深度学习模型的输入进行训练，得到初始深度学习模型。
[0012]可选地，所述目标深度学习模型为基于第二训练集对初始深度学习模型训练得到的，包括：
[0013]S122，将所述第二训练集的图片转换成一维的第二矩阵，基于第二矩阵得到第二位置编码矩阵，将第二矩阵和第二位置编码矩阵相加得到第二输入矩阵，将第二输入矩阵作为初始深度学习模型的输入进行训练，得到目标深度学习模型。
[0014]可选地，所述初始深度学习模型的训练轮次大于所述预设深度学习模型的训练轮
次。
[0015]可选地，所述初始深度学习模型训练过程中的第二衰减因子大于所述预设深度学习模型训练时的第一衰减因子。
[0016]可选地，步骤S120包括：
[0017]将所述第二训练集中第一尺寸的原始图片缩小为第二尺寸的目标图片；
[0018]将第二尺寸的目标图片作为步骤S122的输入图片；
[0019]应用训练好的目标深度学习模型对待测图片进行评分，得到各个待测图片的初始评分值；
[0020]步骤S130包括：
[0021]获取第一尺寸的原始图片的属性信息，根据所述属性信息，计算所述原始图片的修正得分值；
[0022]将所述初始评分值和所述修正得分值相加，得到目标得分值；
[0023]根据所述目标得分值对所述待测图片进行筛选。
[0024]可选地，所述第一训练集和所述第二训练集不同，所述第一训练集为AVA图像质量评价数据库，所述第二训练集为预设数据集。
[0025]可选地，第一位置编码矩阵中的元素均以三角函数的形式表示。
[0026]本专利技术还提供了一种图片筛选系统，用于实现上述图片筛选方法，所述系统包括：
[0027]待测图片获取模块，用于获取待测图片；
[0028]图片评分获取模块，用于应用训练好的目标深度学习模型对待测图片进行评分，得到各个待测图片的评分值；所述目标深度学习模型为基于第二训练集对初始深度学习模型训练得到的，所述初始深度学习模型为基于第一训练集对预设深度学习模型训练得到的；所述初始深度学习模型训练过程中的第二学习率小于所述预设深度学习模型训练时的第一学习率；所述预设深度学习模型为Transformer模型；
[0029]筛选模块，用于根据所述评分值对所述待测图片进行筛选。
[0030]本专利技术还提供了一种图片筛选设备，包括：
[0031]处理器；
[0032]存储器，其中存储有所述处理器的可执行程序；
[0033]其中，所述处理器配置为经由执行所述可执行程序来执行上述任意一项图片筛选方法的步骤。
[0034]本专利技术还提供了一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现上述任意一项图片筛选方法的步骤。
[0035]本专利技术与现有技术相比，具有以下优点及突出性效果：
[0036]本专利技术提供的图片筛选方法、系统、设备及存储介质基于Transformer模型为基础形成的目标深度学习模型对待测图片进行评分，利用该模型的自注意力机制，较好捕捉图像块之间的联系，使得针对旅游图片的评分更加准确；并且在第二训练集上针对模型的训练，调小学习率，使得模型充分学习图片的内容，利于提高针对旅游展示图片的评分准确度，也即提高图片筛选的准确度。
附图说明
[0037]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显。
[0038]图1为本专利技术一实施例公开的一种图片筛选方法的示意图；
[0039]图2为本专利技术另一实施例公开的一种图片筛选方法中步骤S120的流程示意图；
[0040]图3为本专利技术另一实施例公开的一种图片筛选方法中步骤S130的流程示意图；
[0041]图4为本专利技术一实施例公开的一种图片筛选系统的结构示意图；
[0042]图5为本专利技术一实施例公开的一种图片筛选设备的结构示意图；
[0043]图6为本专利技术一实施例公开的一种计算机可读存储介质的结构示意图。
具体实施方式
[0044]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使得本专利技术将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
[0045]下面对本申请实施例中涉及的部分概念进行介绍。
[0046]注意力机制：模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，简单地说就是从大量信息中快速筛选出高价值信息。这种机制主要有两个方面：决定需要关注输入的哪部分；分配有限的信息处理资源给重要的部分。在神经网络中，基于注意力机制可以使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片筛选方法，其特征在于，包括以下步骤：S110，获取待测图片；S120，应用训练好的目标深度学习模型对待测图片进行评分，得到各个待测图片的评分值；所述目标深度学习模型为基于第二训练集对初始深度学习模型训练得到的，所述初始深度学习模型为基于第一训练集对预设深度学习模型训练得到的；所述初始深度学习模型训练过程中的第二学习率小于所述预设深度学习模型训练时的第一学习率；所述预设深度学习模型为Transformer模型；S130，根据所述评分值对所述待测图片进行筛选。2.如权利要求1所述的图片筛选方法，其特征在于，所述评分值用于指示图片的优美度，所述优美度包括图片的拍摄对象是否归属于预设对象库以及图片的质量。3.如权利要求1所述的图片筛选方法，其特征在于，所述初始深度学习模型为基于第一训练集对预设深度学习模型训练得到的，包括：S121，将所述第一训练集的图片转换成一维的第一矩阵，基于第一矩阵得到第一位置编码矩阵，将第一矩阵和第一位置编码矩阵相加得到第一输入矩阵，将第一输入矩阵作为预设深度学习模型的输入进行训练，得到初始深度学习模型。4.如权利要求1所述的图片筛选方法，其特征在于，所述目标深度学习模型为基于第二训练集对初始深度学习模型训练得到的，包括：S122，将所述第二训练集的图片转换成一维的第二矩阵，基于第二矩阵得到第二位置编码矩阵，将第二矩阵和第二位置编码矩阵相加得到第二输入矩阵，将第二输入矩阵作为初始深度学习模型的输入进行训练，得到目标深度学习模型。5.如权利要求1所述的图片筛选方法，其特征在于，所述初始深度学习模型的训练轮次大于所述预设深度学习模型的训练轮次。6.如权利要求1所述的图片筛选方法，其特征在于，所述初始深度学习模型训练过程中的第二衰减因子大于所述预设深度学习模型训练时的第一衰减因子。7.如权利要求4所述的图片筛选...

【专利技术属性】
技术研发人员：刘洋，何蜀波，孙玉霞，余迁，朱登龙，邹宇，
申请(专利权)人：携程科技上海有限公司，
类型：发明
国别省市：