【技术实现步骤摘要】
基于蒸馏学习和增量学习半监督无参考图像质量评估方法
[0001]本专利技术属于计算机视觉
,特别是涉及一种基于蒸馏学习和增量学习半监督无参考图像质量评估方法
。
技术介绍
[0002]目前,多媒体业务所涉及的图像和视频均为数字化产品
。
在图像的获取
、
压缩
、
传输以及解压缩过程中,由于存储和传输等物理条件的限制,以及处理算法的影响,不可避免地会引入各种失真类型,从而导致图像质量的下降
。
但在实际应用中,人们通常希望图像质量越高越好
。
例如,在医疗领域,更高质量的图像将意味着更高的疾病诊断率和治疗效果;而在航空航天领域,更高的图像质量将意味着更有价值的探索和发现
。
因此,建立有效的评估图像质量的方法成为了数字图像处理领域中的一个研究热点
。
根据参考图像是否完整和可用,客观图像质量评估可分为三类:完全参考
(FR
‑
IQA)、
半参考
(RR
‑
IQA)
和无参考
(NR
‑
IQA)。
全参考图像质量评估可以参考原始未失真图像,并基于失真图像和原始图像之间的差异获得失真图像的图像质量分数
。
半参考图像质量评估使用原始图像的部分信息作为参考来预测图像质量
。
然而,在实际应用中,参考图像很难获得,使得上述两种方法不适用
。
因此没有参考 ...
【技术保护点】
【技术特征摘要】
1.
基于蒸馏学习和增量学习半监督无参考图像质量评估方法,其特征在于包括以下步骤:
1)
使用有标签的数据集
D
A
初始化模型;
2)
初始模型复制成教师模型和学生模型;
3)
对无标签数据集
D
B
进行分块
4)
对教师模型使用基于核岭回归
(KRR)
的知识蒸馏算法为无标签数据集生成伪标签;
5)
基于教师模型对
D
A
和进行简单样本挑选,选取教师模型预测最准的
K
个样本作为代表性样例
ε
A
和
6)
将
ε
A
和混合,对学生模型进行训练;
7)
重复步骤
4)
~
6)
直到学生模型完成
D
B
的训练;
8)
给定任意图像,将其输入模型,模型输出其预测的质量分数
。2.
如权利要求1所述基于蒸馏学习和增量学习半监督无参考图像质量评估方法,其特征在于在步骤
4)
中,所述使用基于核岭回归
(KRR)
的知识蒸馏算法为无标签数据集生成伪标签,具体步骤如下:
41)KRR
的损失函数定义为:其中,
f
i
和
f
z
表示
D
A
中第
i
个和
z
个样本的特征,
a
i
和
a
z
是相应...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。