图像质量评估方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例公开了一种图像质量评估方法、装置、电子设备及存储介质。该方法包括：触发服务器向多个客户端分发待训练模型，并指示多个客户端基于各自的图像数据对待训练模型进行训练；获取多个客户端对待训练模型进行训练后传回的梯度参数，以得到多个梯度参数；基于多个梯度参数获取目标模型；通过目标模型对测试图像进行图像质量评估，以验证目标模型的训练效果。本方法通过一个硬件设备模拟了端云联动场景，并测试了通过联邦学习训练框架获得的目标模型的图像质量评估效果，进而验证目标模型的训练效果，即在数据集大小确定的情况下，联邦学习可以更方便、快捷地通过增大用户规模来提升训练效果。规模来提升训练效果。规模来提升训练效果。

【技术实现步骤摘要】
图像质量评估方法、装置、电子设备及存储介质


[0001]本申请涉及数据处理
，更具体地，涉及一种图像质量评估方法、装置、电子设备以及存储介质。

技术介绍

[0002]随着深度学习的提出和流行，训练深度神经网络已经成为了解决图像质量评估问题的主流方案，且效果大大优于非深度学习的方案。目前主要的发展方向是优化深度学习模型或者优化数据集。相关优化深度学习模型的方案难以有效的提取图像的相关特征，且可解释性较差；而优化数据集的方案也因制作数据集相当耗费人力物力财力而难以直接扩大数据集的规模，从而影响了深度神经网络的图像质量评估效果。

技术实现思路

[0003]鉴于上述问题，本申请提出了一种图像质量评估方法、装置、电子设备以及存储介质，以改善上述问题。
[0004]第一方面，本申请实施例提供了一种图像质量评估方法，应用于电子设备，所述电子设备中设置有服务器和多个客户端，所述方法包括：触发所述服务器向所述多个客户端分发待训练模型，并指示所述多个客户端基于各自的图像数据对所述待训练模型进行训练；获取所述多个客户端对所述待训练模型进行训练后传回的梯度参数，以得到多个梯度参数；基于所述多个梯度参数获取目标模型；通过所述目标模型对测试图像进行图像质量评估，以验证所述目标模型的训练效果。
[0005]第二方面，本申请实施例提供了一种图像质量评估装置，运行于电子设备，所述电子设备中设置有服务器和多个客户端，所述装置包括：模型分发与训练模块，用于向所述多个客户端分发待训练模型，并指示所述多个客户端基于各自的图像数据对所述待训练模型进行训练；梯度参数获取模块，用于获取所述多个客户端对所述待训练模型进行训练后传回的梯度参数，以得到多个梯度参数；模型获取模块，用于基于所述多个梯度参数获取目标模型；图像质量评估模块，用于通过所述目标模型对测试图像进行图像质量评估，以验证所述目标模型的训练效果。
[0006]第三方面，本申请提供了一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述第一方面所述的方法。
[0007]第四方面，本申请提供了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程序代码，其中，在所述程序代码运行时执行上述第一方面所述的方法。
[0008]本申请提供的一种图像质量评估方法、装置、电子设备以及存储介质，应用于电子设备，所述电子设备中设置有服务器和多个客户端，本方法通过触发服务器向所述多个客户端分发待训练模型，并指示所述多个客户端基于各自的图像数据对所述待训练模型进行训练；获取所述多个客户端对所述待训练模型进行训练后传回的梯度参数，以得到多个梯
度参数；基于所述多个梯度参数获取目标模型；通过所述目标模型对测试图像进行图像质量评估，以验证所述目标模型的训练效果。从而通过上述方式实现了能够借助客户端使用自身的图像数据对待训练模型进行训练，而不需要将图像数据收集到服务器再开始模型训练，一方面，提升了端云联动场景下扩大数据集的便利性，从而以大数据集来换取更好的深度学习模型训练效果，进而提升深度神经网络的图像质量评估效果；另一方面，在借助用户数据的同时，有效保护了用户的隐私。同时，通过一个硬件设备模拟了端云联动场景，并测试了通过联邦学习训练框架获得的目标模型的图像质量评估效果，进而验证目标模型的训练效果，即在数据集大小确定的情况下，联邦学习可以更方便、快捷地通过增大用户规模来提升训练效果。
附图说明
[0009]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。
[0010]图1示出了本申请实施例提供的图像质量评估方法、装置所涉及的应用环境图。
[0011]图2示出了本申请一实施例提供的图像质量评估方法的流程图。
[0012]图3示出了图2中的步骤S130的方法流程图。
[0013]图4示出了图2中的步骤S140的方法流程图。
[0014]图5示出了本申请另一实施例提供的图像质量评估方法的流程图。
[0015]图6示出了本申请又一实施例提供的图像质量评估方法的流程图。
[0016]图7示出了本申请实施例提供的图像质量评估装置的结构框图。
[0017]图8示出了本申请实施例的用于执行根据本申请实施例的图像质量评估方法的电子设备的结构框图。
[0018]图9是本申请实施例的用于保存或者携带实现根据本申请实施例的图像质量评估方法的程序代码的存储单元。
具体实施方式
[0019]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0020]为了方便理解，下面对本申请实施例中涉及的名词进行简要说明。
[0021](1)联邦学习(Federated Learning，FL)
[0022]联邦学习又名联邦机器学习、联合学习、联盟学习。联邦学习是一种基于云技术的分布式系统的机器学习框架，在联邦学习架构中，包含服务器和多个客户端，每个客户端在本地存储有各自的训练数据，且服务器和各客户端中都设置有模型架构相同的模型，通过联邦学习架构进行机器学习模型的训练，可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛，实现AI协作。
[0023]随着深度学习的提出和流行，训练深度神经网络已经成为了解决图像质量评估问题的主流方案，且效果大大优于非深度学习的方案。目前主要的发展方向是优化深度学习模型或者优化数据集。相关优化深度学习模型的方案难以有效的提取图像的相关特征，且可解释性较差；而优化数据集的方案也因制作数据集相当耗费人力物力财力而难以直接扩大数据集的规模，从而影响了深度神经网络的图像质量评估效果。
[0024]因此，为了改善上述问题，专利技术人经过长时间的研究并提出了本申请实施例提供的图像质量评估方法、装置、电子设备以及存储介质，通过触发服务器向所述多个客户端分发待训练模型，并指示所述多个客户端基于各自的图像数据对所述待训练模型进行训练；获取所述多个客户端对所述待训练模型进行训练后传回的梯度参数，以得到多个梯度参数；基于所述多个梯度参数获取目标模型；通过所述目标模型对测试图像进行图像质量评估，以验证所述目标模型的训练效果。从而通过上述方式实现了能够借助客户端使用自身的图像数据对待训练模型进行训练，而不需要将图像数据收集到服务器再开始模型训练，一方面，提升了端云联动场景下扩大数据集的便利性，从而以大数据集来换取更好的深度学习模型训练效果，进而提升深度神经网络的图像质量评估效果；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像质量评估方法，其特征在于，应用于电子设备，所述电子设备中设置有服务器和多个客户端，所述方法包括：触发所述服务器向所述多个客户端分发待训练模型，并指示所述多个客户端基于各自的图像数据对所述待训练模型进行训练；获取所述多个客户端对所述待训练模型进行训练后传回的梯度参数，以得到多个梯度参数；基于所述多个梯度参数获取目标模型；通过所述目标模型对测试图像进行图像质量评估，以验证所述目标模型的训练效果。2.根据权利要求1所述的方法，其特征在于，所述通过所述目标模型对测试图像进行图像质量评估，包括：将所述测试图像输入所述目标模型，获取所述目标模型输出的图像质量评估参数；将所述测试图像输入指定模型，获取所述指定模型输出的图像质量评估参数；将所述目标模型输出的图像质量评估参数与所述指定模型输出的图像质量评估参数进行比较。3.根据权利要求2所述的方法，其特征在于，输入所述目标模型的测试图像数量多于输入所述指定模型的测试图像数量。4.根据权利要求1所述的方法，其特征在于，所述指示所述多个客户端基于各自的图像数据对所述待训练模型进行训练，包括：指示所述多个客户端依次将各自的图像数据输入所述待训练模型，得到第一质量评分，以用于所述客户端获取基于所述各自的图像数据确定的第一标签评分；将所述第一质量评分与所述第一标签评分之差的绝对值作为损失函数，采用梯度下降法对所述待训练模型的参数进行更新；基于所述待训练模型以及更新后的待训练模型获取梯度参数。5.根据权利要求1所述的方法，其特征在于，所述基于所述多个梯度参数获取目标模型，包括：对所述多个梯度参数以及每个客户端对应的图像数量进行加权平均，得到平均梯度；基于所述平均梯度以及所述待训练模型获取目标模型。6.根据权利要求1所述的方法，其特征在于，所述触发所述服务器向所述多个客户端分发待训练模型，包括：若是第一轮训练，触发所述服务器将初始模型作为待训练模型分发给所述多个客户端；若不是第一轮训练，触发所述服务器获取...

【专利技术属性】
技术研发人员：胡松，
申请(专利权)人：广东明创软件科技有限公司，
类型：发明
国别省市：