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增量元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；构建基于增量元学习的无参考图像质量评价网络模型；对基于增量元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。本发明结合元学习和增量学习方法实现了复杂化失真场景中图像数据跨任务评价的方法，并引入数据回放，设置一个记忆缓冲区来动态存储跨任务评价过程中旧任务的图像，并将其加入到新任务的训练当中，在不断积累图像场景类别信息和失真类型信息的同时，面对具有新场景和新失真的情形，增量元学习预测头可以有效地缓解图像数据集亚种群持续偏移带来的问题，进而提高图像质量评价的准确率和稳定性。

主权项：1.一种基于增量元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获取支持集、查询集、和测试样本集：1a获取维度为W×H×C的N幅合成失真的RGB图像及每幅图像的主观意见分数，并将N幅RGB图像依据失真场景划分成T组D＝{D1,D2,…,Dt,…,DT},并将每组Dt中半数以上RGB图像及其对应的主观意见分数组成训练样本集将Dt中剩余的RGB图像及其对应的主观意见分数组成测试样本集然后依据RGB图像的失真类型将训练样本集划分成P类，将每类中半数以上训练样本组成支持集同时将每类中剩余训练样本组成查询集其中，表示元支持集，表示元查询集，Dt表示增量学习过程中的第t组图像，W≥224，H≥224，C≥3，N≥3000，T≥3，P＞3；2构建基于增量元学习的无参考图像质量评价网络模型Y：2a构建包含顺次连接的图像特征提取子网络R和增量元学习子网络M的无参考图像质量评价网络模型Y；图像特征提取子网络R包含多个顺次连接的残差单元和一个多失真场景元任务学习模块Rmeta，每个残差单元包括多个卷积层、多个激活层和一个批量归一化层，且残差单元的输入与该残差单元中最后一个卷积层的输出的和作为最后一个激活层的输入，Rmeta包括多个顺次连接的卷积--池化--激活复合层组成的学习单元；M包括多个并行排布的全连接层；2b定义无参考图像质量评价网络模型Y的损失函数Loss：Loss＝λL+1-λLr 其中，L表示质量预测损失函数，Lr表示排序损失函数，λ表示动态加权系数，Qpred表示质量预测分数，Qi、Qj分别表示第i、j个训练样本对应的主观意见分数，Qpred,i、Qpred,j分别表示训练集中第i、j个训练样本对应的质量预测分数，Σ表示求和操作；3对基于增量元学习的无参考图像质量评价网络模型Y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Yt，Yt的权值参数为θt，并令t＝1；3b令k＝1；3c将从Π个元支持集中有放回地随机选取半数以下RGB图像构成的小批量元任务作为无参考图像质量评价网络模型Y，图像特征提取子网络R提取每个元任务的特征，增量元学习子网络M对所提取的Π个特征组成的特征向量进行质量预测，得到对应的质量预测分数；3d采用损失函数Loss，第一步通过每个质量预测分数和对应主观意见分数计算Y的损失值Lt，然后计算Lt对θt的偏导▽Ltθt，再依据梯度下降法，结合Adam优化函数进行反向传播，对θt进行权值更新得到更新结果θt,π；第二步通过元查询集对θt,π进行更新得到权值参数为θ′t,π，并通过θt,π和θ′t,π计算Yt最终的权值参数θ″t，π；3e判断k＝K是否成立，若是，将M中第t个全连接层的参数冻结作为增量元学习预测头并执行步骤3f，否则，k＝k+1，并执行步骤3c；3f判断t＝T是否成立，若是，得到训练好的基于增量元学习的无参考图像质量评价网络模型Yt*，否则，t＝t+1，采样中的半数以下RGB图像回放到对应的中，并执行步骤3b；4获取无参考图像质量评价结果：将测试样本集作为训练好的基于增量元学习的无参考图像质量评价网络模型Yt*的输入进行前向推理，对每个增量元学习预测头的输出进行重加权，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 基于增量元学习的无参考图像质量评价方法