买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提出一种基于课程学习的无参考图像质量评价方法，实现步骤为：获取训练样本集和测试样本集；构建基于课程学习的无参考图像质量评价网络模型；对基于课程学习的无参考图像质量评价网络模型进行迭代训练；获取无参考图像质量评价结果。本发明根据课程学习的策略构建的损失函数包含排序与距离损失函数、质量预测损失函数两项，在训练过程中动态调整损失函数中这两项的权重，在训练的初始阶段，分配给排序与距离损失权重最高，随着训练过程的持续，逐渐增加质量预测损失的权重，避免了现有技术中网络模型采用单一、不变的损失函数进行图像质量评价精度和效率较低的技术问题，有效提高了无参考图像质量评价的精度和效率。

主权项：1.一种基于课程学习的无参考图像质量评价方法，其特征在于，包括如下步骤：1获取训练样本集和测试样本集：获取真实图像质量评价数据集中维度为W×H×C的L幅图像及每幅图像的主观质量分数标签Ta＝{Il,sl|1≤l≤L}，并将Ta中的M幅图像及每幅图像的主观质量分数标签组成训练样本集Tr＝{Im,sm|1≤m≤M}，将其余的N幅图像及每幅图像的主观质量分数标签组成测试样本集Te＝{In,sn|1≤n≤N}，其中，W、H和C分别表示图像的宽度、高度和通道数，W≥224,H≥224，C≥1，L≥1000，M+N＝L，Il、sl分别表示第l幅图像及其相应的主观质量分数标签；2构建基于课程学习的无参考图像质量评价网络模型G：2a构建包含顺次连接的图像局部特征提取子网络R、图像局部特征全局关联子网络T和图像质量预测子网络P的无参考图像质量评价网络模型G，R的输出与P的输入残差连接，其中，R包含多个卷积层和一个最大池化层；T包含顺次连接的特征采样层、归一化层和特征拼接层，在归一化层和特征拼接层之间并行排布多个非局部单元S，非局部单元S包含多个卷积层；P包含一个全局池化层和多个全连接层；2b定义基于课程学习的无参考图像质量评价网络模型G的损失函数Loss： 其中，λ表示动态加权系数，L1表示排序与距离损失，L2表示质量预测损失，k表示迭代次数，K表示最大迭代次数，B表示每次训练选取的训练样本个数，si、分别表示B个训练样本中第i个训练样本对应的主观质量分数、质量预测分数；si-sj，分别表示B个训练样本中第i个训练样本和第j个样本间主观质量分数的差值及质量预测分数的差值，||·||1表示一阶范数正则化，Σ表示求和符号，δ表示阈值；3对基于课程学习的无参考图像质量评价网络模型G进行迭代训练：3a初始化迭代次数为k，最大迭代次数为K，K＞20，当前无参考图像质量评价网络模型为Gk，Gk的权值参数为θk，并令k＝1，Gk＝G；3b将从训练样本集Tr中无放回地随机选取的B个训练样本作为无参考图像质量评价网络模型Gk的输入，图像局部特征提取子网络R对每个训练样本进行下采样，得到下采样特征Fl；图像局部特征全局关联子网络T对Fl进行多级非局部特征加权编码，得到包含图像全局上下文关联信息的深度感知特征Fg；图像质量预测子网络P将Fl与Fg残差连接，得到包含图像局部和全局混合信息的广度感知特征Fw，并对Fw进行线性回归，得到每个训练样本的质量预测分数，其中，B≥16；3c采用损失函数Loss，并通过Loss计算每个训练样本对应的质量预测分数与该训练样本对应的主观质量分数标签的误差作为Gk的损失值dk，然后通过dk计算对Gk的权值参数θk的偏导数gk，再采用随机梯度下降法，通过偏导数gk对Gk的权值参数θk进行更新；3d判断k＝K是否成立，若是，得到训练好的基于课程学习的无参考图像质量评价网络模型G*，否则，令k＝k+1，并执行步骤3b；4获取无参考图像质量评价结果：将测试样本集Te作为训练好的基于课程学习的无参考图像质量评价网络模型G*的输入进行前向推理，得到每个测试样本的质量预测分数。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于课程学习的无参考图像质量评价方法