视频质量的评价方法、装置、存储介质及计算机系统制造方法及图纸

本公开提供了一种视频质量的评价方法、装置、计算机程序产品、非暂时性计算机可读存储介质及计算机系统。该视频质量的评价方法包括调整待评价视频的分辨率，得到多个输入视频；利用机器学习模型，分别生成所述输入视频的质量评价结果；以及基于多个所述质量评价结果，生成待评价视频的质量评价结果。根据本公开提供的各个实施例，可以自动地、有效地评估视频的质量。的质量。的质量。

【技术实现步骤摘要】
视频质量的评价方法、装置、存储介质及计算机系统


[0001]本公开总体上涉及人工智能
，更具体地涉及一种视频质量的评价方法、装置、计算机程序产品、非暂时性计算机可读存储介质及计算机系统。

技术介绍

[0002]本部分旨在介绍本领域的一些方面，其可以与下面描述的和/或要求保护的本公开的各个方面相关。相信本部分有助于提供背景信息以便于更好地理解本公开的各个方面。因此，应该理解的是这些介绍应该从这个角度来理解，而不是作为对现有技术的承认。
[0003]随着流媒体技术、网络通信技术及用户移动设备的快速发展与迭代，以视频为媒介的内容成了普遍接受和喜欢的内容消费形式，视频业务也呈现爆发式增长趋势。用户对视频质量的单一追求(例如清晰流畅)逐渐变成多元化、高质量、快速响应的服务要求。一些视频网站的内容生态系统多以用户生成内容(User Generated Content，UGC)视频为主，但不同用户的视频拍摄能力、制作能力与设备能力有着较大的差距，在视频画质的呈现上也是波动较大。画面质量很差(如模糊)的视频会给观看者带来较低的用户体验质量(Quality of Experience，QoE)，所以亟需对视频画质水平有一个可以客观量化的评价标准。

技术实现思路

[0004]本公开的目的在于提供一种视频质量的评价方法、装置、计算机程序产品、非暂时性计算机可读存储介质及计算机系统，以有效地评估视频的质量。
[0005]根据本公开的第一方面，提供了一种视频质量的评价方法，包括：调整待评价视频的分辨率，得到多个输入视频；利用机器学习模型，分别生成所述输入视频的质量评价结果；以及基于多个所述质量评价结果，生成待评价视频的质量评价结果。
[0006]根据本公开的第二方面，提供了一种视频质量的评价装置，包括：调整模块，其配置为调整待评价视频的分辨率，得到多个输入视频；第一生成模块，其配置为利用机器学习模型，分别生成所述输入视频的质量评价结果；以及第二生成模块，其配置为基于多个所述质量评价结果，生成待评价视频的质量评价结果。
[0007]根据本公开的第三方面，提供了一种计算机程序产品，包括程序代码指令，当所述程序产品由计算机执行时，所述程序代码指令使所述计算机执行根据本公开的第一方面所述的方法。
[0008]根据本公开的第四方面，提供了一种存储有计算机指令的非暂时性计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的第一方面所述的方法。
[0009]根据本公开的第五方面，提供了一种计算机系统，包括：处理器，与所述处理器进行电子通信的存储器；以及指令，所述指令存储在所述存储器中并且可由所述处理器执行以使所述计算机系统执行根据本公开的第一方面所述的方法。
[0010]根据本公开提供的各个实施例，可以自动地、有效地评估视频的质量。
[0011]应当理解，本部分所描述的内容并不旨在标识所要求保护的
技术实现思路
的关键或必
要特征，也不旨在单独地用于确定所要求保护的
技术实现思路
的范围。
附图说明
[0012]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的该实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
[0013]图1示出了示例人工神经网络。
[0014]图2示出了用于学习视频片段的特征的示例神经网络架构。
[0015]图3A示出了示例3D卷积层。
[0016]图3B示出了示例混合2D和1D卷积块。
[0017]图4示出了根据本公开的视频QA模型的一个示例的架构图。
[0018]图5示出了可以应用由移动终端执行的方法的示例环境的框图。
[0019]图6示出了根据本公开实施例的由移动终端执行的方法的示例流程示意图。
[0020]图7示出了根据本公开实施例的由移动终端执行的方法的示例流程示意图。
[0021]图8示出了根据本公开的视频质量的评价方法的一个示例的流程示意图。
[0022]图9示出了根据本公开的视频质量的评价方法的另一个示例的流程示意图。
[0023]图10示出了根据本公开实施例的视频质量的评价装置的示例性框图。
[0024]图11示出了可以用来实施本公开的实施例的示例计算机系统的示意性框图。
[0025]具体实现方式
[0026]下文将参考附图更全面地描述本公开。然而，本公开可以以多种替代形式来体现，并且不应被解释为限于本文描述的实施例。因此，尽管本公开易于进行各种修改和替代形式，但是其具体实施例在附图中以示例的方式示出，并将在本文详细描述。然而，应当理解，这种方式并不旨在将本公开限制于所公开的特定形式，相反，本公开覆盖了落入由权利要求所限定的本公开的精神和范围内的所有修改方案、等同方案和替代方案。
[0027]应当理解，尽管本文可以用术语第一、第二等描述各种元素，但是这些元素不应该被这些术语所限制。这些术语仅用于区分一个元素和另一个元素。例如，第一元素可以被称为第二元素，并且类似地，第二元素可以被称为第一元素，而不脱离本公开的教导。
[0028]本文结合框图和/或流程图描述了一些示例，其中每个框表示包括用于实现指定逻辑功能的一个或多个可执行指令的电路元件、模分块或代码的部分。还应该注意的是，在其他实现方式中，框中所述的功能可以不按所述的顺序发生。例如，根据所涉及的功能，连续示出的两个框实际上可以实质上同时执行，或者这些框有时可以以相反的顺序执行。
[0029]本文提到的“根据...示例”或“在..示例中”意味着结合示例描述的特定特征、结构或特性可以被包括在本公开的至少一个实现方式中。本文中不同地方出现的短语“根据...示例”或“在...示例中”不一定都指同一示例，也不一定是与其他示例相互排斥的单独或替代示例。
[0030]神经网络是受大脑神经元结构及神经传到原理启发建立的数学计算模型，基于这类模型实现智能计算的方式称为脑启发计算。例如，神经网络包括多种形式的网络结构，例
如，反向传播(Back Propagation，BP)神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)等，例如，卷积神经网络还可以细分为全卷积网络、深度卷积网络、U型网络(U
‑
Net)等。
[0031]图1示出了示例人工神经网络(“ANN”)100。在该实施例中，ANN可以指包括一个或多个节点的计算模型。示例ANN 100可以包括输入层110、隐藏层120、130、160和输出层150。ANN 100的每一层可以包括一个或多个节点，例如节点105或节点115。在该实施例中，ANN的每个节点可以连接到ANN的另一个节点。作为示例而非限制，输入层110的每个节点可以连接到隐藏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频质量的评价方法，包括：调整待评价视频的分辨率，得到多个输入视频；利用机器学习模型，分别生成所述输入视频的质量评价结果；以及基于多个所述质量评价结果，生成待评价视频的质量评价结果。2.根据权利要求1所述的评价方法，还包括：基于视频以及所述视频的质量评价结果，训练所述机器学习模型。3.根据权利要求2所述的评价方法，其中，所述训练所述机器学习模型包括：访问用于所述机器学习模型的训练样本集中的训练样本，其中，所述用于所述机器学习模型的训练样本包括视频以及所述视频的目标质量评价结果；利用所述机器学习模型，生成所述视频的质量评价结果；以及基于所述目标质量评价结果和所述质量评价结果之间的比较，更新所述机器学习模型。4.根据权利要求1所述的评价方法，其中，所述机器学习模型包括视频帧提取模块，所述视频帧提取模块用于提取所述视频的片段以及提取所述视频的片段中的帧。5.根据权利要求4所述的评价方法，其中，所述机器学习模型包括特征提取模型，所述特征提取模型包括用于提取所述视频的片段中的帧的空域特征的第一卷积神经网络，所述特征提取模型包括用于提取所述视频的片段的时域特征的第二卷积神经网络，其中，所述第一卷积神经网络采用端到端的方式进行训练。6.根据权利要求4所述的评价方法，其中，所述机器学习模型包括回归模块，所述回归模块包括用于将所述视频帧提取模块提取的视频帧的特征回归成质量评价结果的人工神经网络。7.根据权利要求6所述的评价方法，其中，所述机器学习模型包括池化模块，所述池化模块包括用于将多个所述质量评价结果池化为待评价视频的质量评价结果的池化层。8.根据权利要求5所...

【专利技术属性】
技术研发人员：王启源，黄巍，崔航，张伟丽，王真，
申请(专利权)人：上海哔哩哔哩科技有限公司，
类型：发明
国别省市：