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！

龙图腾网恭喜北京美照算算智能科技有限公司申请的专利基于元学习重加权网络伪标签训练的图像评价方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114049500B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111387152.8，技术领域涉及：G06V10/44；该发明授权基于元学习重加权网络伪标签训练的图像评价方法及系统是由金鑫;娄豪;黄横;蒋尚秀;肖超恩设计研发完成，并于2021-11-22向国家知识产权局提交的专利申请。

本基于元学习重加权网络伪标签训练的图像评价方法及系统在说明书摘要公布了：本发明涉及一种基于元学习重加权网络伪标签训练的图像质量评价方法及系统，其方法包括：S1：获取图片数据集作为样本集，从样本集中提取元数据集和训练全数据集，构建主干特征提取网络，得到高维特征图；S2：将高维特征图分别输入十分类子网络和回归子网络，得到图像分类和图像质量评分；S3：将元数据集分类损失输入元学习重加权网络调整网络参数，用训练全数据集分类损失调整主干特征提取网络和十分类子网络参数；S4：基于二分类器赋予训练全数据集伪标签，根据伪标签对训练全数据集进行分组回归训练，加权平均各模型评分结果得到评价输出。本发明提供了具有较好鲁棒性的图像质量评价方法，解决了计算机视觉训练数据集不平衡的问题。

本发明授权基于元学习重加权网络伪标签训练的图像评价方法及系统在权利要求书中公布了：1.一种基于元学习重加权网络伪标签训练的图像质量评价方法，其特征在于，包括： 步骤S1：获取图片数据集作为样本集，从所述样本集中提取元数据集和训练全数据集，构建主干特征提取网络，对所述样本集中图像进行尺寸调整和填充，并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取，通过EfficientNet-B4剩余网络结构进行特征提取，得到元数据和训练全数据的高维特征图； 步骤S2：将所述高维特征图分别输入十分类子网络和回归子网络，通过多层全连接层进行降维特征提取，分别得到输入图像的图像分类和图像质量评分；其中，所述十分类子网络和所述回归子网络包括：一个高效通道注意力模块和一个全连接网络，具体包括： 步骤S21：将所述高维特征图分别输入十分类子网络和回归子网络，所述十分类子网络和所述回归子网络包括：一个高效通道注意力模块和一个全连接网络； 步骤S22：所述高效通道注意力模块对每个通道进行全局平均池化，再通过卷积核大小为k的一维卷积与每个通道及其k个邻居的交互来捕获局部跨信道注意信息，其中k表示局部跨信道注意的面积，表示参与该信道注意预测的邻居节点的数量，将局部跨信道注意信息与所述高维特征图进行相乘，得到高效通道注意力特征图； 步骤S23：所述全连接层包括三层全连接层，其中，所述十分类子网络和回归子网络的全连接层中前两个全连接层分别对所述高效通道注意力特征图进行高维特征提取；所述十分类子网络第三个全连接层输出为10维特征，得到图像连续分数标签十等分的类别标注，所述回归子网络第三个全连接层输出为1维特征，得到预测的图像连续分数输出； 步骤S3：将所述元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络，以调整所述元学习重加权网络的参数，得到调整后的元学习重加权网络；将所述训练全数据集得到的十分类结果通过所述调整后的元学习重加权网络得到加权损失，调整所述主干特征提取网络和所述十分类子网络参数；其中，所述元学习重加权网络包括：一个三层感知器； 步骤S4：基于二分类器赋予所述训练全数据集伪标签，根据伪标签对所述样本集进行分组回归训练，调整所述回归子网络参数，将不同分组训练得到的多个综合结果取加权平均得到评价输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京美照算算智能科技有限公司，其通讯地址为：100871 北京市海淀区中关村北大街127-1号一层102-6室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。