【技术实现步骤摘要】
本专利技术属于图像质量评价领域，具体涉及一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法。
技术介绍
1、随着时代的发展，计算机视觉领域的相关技术逐步成熟，计算机视觉任务对图像质量的要求也越来越高，图像在采集、传输、处理、保存等过程中也会受到不同技术的影响，为了对图像质量进行合理地评估，图像质量评价的研究已经成为图像信息工程的基础技术之一。深度学习的兴起，促进了深度神经网络在图像质量评价方法上的应用，许多主流的图像质量评价方法取得了显著效果，这也印证了深度神经网络的有效性。这些方法在学习的过程中显现出重要的一点：对图像的语义分析阶段大大影响着评价效果。一些图像质量评价方法通过加深网络、促进特征融合、提高特征交互频率等方案提高语义分析阶段的准确性，transformer的兴起，将图像的语义分析阶段提升到一个新的层次，许多基于注意力机制网络的图像质量评价方法也应运而生，这些方法在取到较高准确性的同时也带来了新的问题，transformer网络的运行需要大量数据、算力、内存等昂贵资源，得到预期的收敛模型也需要更多的时间，如何降低...
【技术保护点】
1.一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，所述步骤S1中显著区域和非显著区域的筛选方法如下：设计滑动窗口对图像取小块；利用sobel算子分别计算出每个图像块关于x和y方向的灰度梯度；结合局部图像块与整体图像的梯度信息，将每个图像块的像素点梯度信息经过高斯滤波和广义帕累托分布处理后，得到总体显著信息分布；计算出所有图像块显著信息的均值，根据均值分别求出每个图像块的显著性分值，将分值最大的图像块作为显著区域，...
【技术特征摘要】
1.一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，所述步骤s1中显著区域和非显著区域的筛选方法如下：设计滑动窗口对图像取小块；利用sobel算子分别计算出每个图像块关于x和y方向的灰度梯度；结合局部图像块与整体图像的梯度信息，将每个图像块的像素点梯度信息经过高斯滤波和广义帕累托分布处理后，得到总体显著信息分布；计算出所有图像块显著信息的均值，根据均值分别求出每个图像块的显著性分值，将分值最大的图像块作为显著区域，分值最小的图像块作为非显著区域。
3.根据权利要求2所述的一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，所述步骤s1中显著性分值采用下式计算，
4.根据权利要求1所述的一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，所述步骤s2中，多路特征提取网络用于浅层特征提取，由多个相同结构的分路网络构成；其中，每个分路网络由三个密集块和三个过渡块组合而成，每个密集块由多个特征复用分层构成，其中每个特征复用分层由两个卷积层、两个归一化层、两个relu激活函数交替组成，并且每个特征复用分层会将这一层的输入特征与输出特征拼接，作为下一分层的输入，完成层次之间的特征复用，实现了层与层之间共享特征信息，使得特征提取过程中的语义信息来源更加丰富，同时又能大概率保留不同层次的特征信息，其中第一个密集块由6个特征复用分层组成，第二个和第三个密集块的分层数量依次翻倍；每个过渡块用于整合上一个密集块获得的浅层特征，同时压缩特征信息，突出关键特征的作用，为下一个密集块提供了更加精炼的输入。
5.根据权利要求4所述的一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，所述步骤s3中，随机筛选策略包括随机重组和随机筛选整体特征信息，具体过程为：
6.根据权利要求5所述的一种元学习框架下基于深度特征重组自注意力机制的图像质量评价方法，其特征在于，所述步骤s4中，随机采样策略旨在对特征进行随机裁剪为制定尺寸，将从步骤s3中得到的一维通道特征进行调整，首先将通道特征中所有一维特征张量重新压缩为二维...
【专利技术属性】
技术研发人员：杨曦晨，朱顺，王天舒，陈天海，李能鑫，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：
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。