模型训练方法、质量检测方法、装置、电子设备及介质制造方法及图纸

本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，具体涉及一种模型训练方法、质量检测方法、装置、电子设备及介质。具体实现方案为：获取有监督样本图像，有监督样本图像具有对应的低质量区域标记；将有监督样本图像输入目标编码器，获得目标编码器输出的样本图像特征，目标编码器通过无监督训练获得；利用样本图像特征和低质量区域标记对初始检测模型进行有监督训练，获得经过训练的初始检测模型；在经过训练的初始检测模型满足检测模型收敛条件的情况下，获得质量检测模型，质量检测模型为经过训练的初始检测模型。采用本公开可以提高质量检测模型的训练效率，同时，提高质量检测模型的检测效果。提高质量检测模型的检测效果。提高质量检测模型的检测效果。

【技术实现步骤摘要】
模型训练方法、质量检测方法、装置、电子设备及介质


[0001]本公开涉及人工智能
，尤其涉及深度学习、图像处理、计算机视觉
，具体涉及一种模型训练方法、质量检测方法、装置、电子设备及介质。

技术介绍

[0002]目前，视频、图像等数据资源的质量检测模型通常仅通过有监督训练获得。然而，有监督训练往往需要人工对海量样本图像进行标注，这不仅会降低质量检测模型的训练效率，还会降低质量检测模型的检测效果。

技术实现思路

[0003]本公开提供了一种模型训练方法、质量检测方法、装置、电子设备及介质。
[0004]根据本公开的一方面，提供了一种模型训练方法，包括：
[0005]获取有监督样本图像，有监督样本图像具有对应的低质量区域标记；
[0006]将有监督样本图像输入目标编码器，获得目标编码器输出的样本图像特征，目标编码器通过无监督训练获得；
[0007]利用样本图像特征和低质量区域标记对初始检测模型进行有监督训练，获得经过训练的初始检测模型；
[0008]在经过训练的初始检测模型满足检测模型收敛条件的情况下，获得质量检测模型，质量检测模型为经过训练的初始检测模型。
[0009]根据本公开的第二方面，提供了一种质量检测方法，包括：
[0010]获取待检测图像；
[0011]将待检测图像输入目标编码器，获得目标编码器输出的检测图像特征，目标编码器通过无监督训练获得；
[0012]将检测图像特征输入质量检测模型，获得质量检测模型输出的低质量区域预测结果，质量检测模型通过第一方面所提供的方法训练获得；
[0013]基于低质量区域预测结果，获得待检测图像的质量检测结果。
[0014]根据本公开的第三方面，提供了一种模型训练装置，包括：
[0015]样本图像获取单元，用于获取有监督样本图像，有监督样本图像具有对应的低质量区域标记；
[0016]样本图像特征获取单元，将有监督样本图像输入目标编码器，获得目标编码器输出的样本图像特征，目标编码器通过无监督训练获得；
[0017]检测模型训练单元，用于利用样本图像特征和低质量区域标记对初始检测模型进行有监督训练，获得经过训练的初始检测模型；
[0018]检测模型获取单元，用于在经过训练的初始检测模型满足检测模型收敛条件的情况下，获得质量检测模型，质量检测模型为经过训练的初始检测模型。
[0019]根据本公开的第四方面，提供了一种质量检测装置，包括：
[0020]检测图像获取单元，用于获取待检测图像；
[0021]检测图像特征获取单元，用于将待检测图像输入目标编码器，获得目标编码器输出的检测图像特征，目标编码器通过无监督训练获得；
[0022]预测结果获取单元，用于将检测图像特征输入质量检测模型，获得质量检测模型输出的低质量区域预测结果，质量检测模型通过第一方面所提供的方法训练获得；
[0023]检测结果获取单元，用于基于低质量区域预测结果，获得待检测图像的质量检测结果。
[0024]根据本公开的第五方面，提供了一种电子设备，包括：
[0025]至少一个处理器；
[0026]与至少一个处理器通信连接的存储器；
[0027]存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面所提供的方法。
[0028]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行第一方面所提供的方法。
[0029]根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现第一方面所提供的方法。
[0030]采用本公开可以提高质量检测模型的训练效率，同时，提高质量检测模型的检测效果。
[0031]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0032]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0033]图1为本公开实施例提供的一种模型训练方法的流程示意图；
[0034]图2为本公开实施例提供的一种质量检测模型的训练流程说明图；
[0035]图3为本公开实施例提供的一种图像处理模型的训练流程说明图；
[0036]图4为本公开实施例提供的一种模型训练方法的完整性流程说明图；
[0037]图5为本公开实施例提供的一种模型训练方法的场景示意图；
[0038]图6为本公开实施例提供的一种质量检测方法的流程示意图；
[0039]图7为本公开实施例提供的一种质量检测方法的完整性流程示意图；
[0040]图8为本公开实施例提供的一种质量检测方法的场景示意图；
[0041]图9为本公开实施例提供的一种模型训练装置的示意性结构框图；
[0042]图10为本公开实施例提供的一种质量检测装置的示意性结构框图；
[0043]图11为本公开实施例提供的一种电子设备的示意性结构框图。
具体实施方式
[0044]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了
清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0045]如
技术介绍
所述的，目前，视频、图像等数据资源的质量检测模型通常仅通过有监督训练获得。然而，有监督训练往往需要人工对海量样本图像进行标注。一方面，由于人工标注会耗费大量时间，因此，会降低质量检测模型的训练效率；另一方面，由于人工标注的出错率较高，因此，在样本图像基数较大的情况下，错误标注的数量也会增加，从而降低质量检测模型的检测效果。
[0046]基于以上背景，本公开实施例提供了一种模型训练方法，该模型训练方法可以应用于电子设备。以下，将结合图1所示流程示意图，对本公开实施例提供的一种模型训练方法进行说明。需要说明的是，虽然在流程示意图中示出了逻辑顺序，但是，在某些情况下，也可以以其他顺序执行所示出或描述的步骤。
[0047]步骤S101，获取有监督样本图像，有监督样本图像具有对应的低质量区域标记；
[0048]步骤S102，将有监督样本图像输入目标编码器，获得目标编码器输出的样本图像特征，目标编码器通过无监督训练获得；
[0049]步骤S103，利用样本图像特征和低质量区域标记对初始检测模型进行有监督训练，获得经过训练的初始检测模型；
[0050]步骤S104，在经过训练的初始检测模型满足检测模型收敛条件的情况下，获得质量检测模型，质量检测模型为经过训练的初始检测模型。
[0051]其中，有监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：获取有监督样本图像，所述有监督样本图像具有对应的低质量区域标记；将所述有监督样本图像输入目标编码器，获得所述目标编码器输出的样本图像特征，所述目标编码器通过无监督训练获得；利用所述样本图像特征和所述低质量区域标记对初始检测模型进行有监督训练，获得经过训练的初始检测模型；在所述经过训练的初始检测模型满足检测模型收敛条件的情况下，获得质量检测模型，所述质量检测模型为所述经过训练的初始检测模型。2.根据权利要求1所述的方法，其中，所述初始检测模型包括有监督解码器和前馈神经网络，所述利用所述样本图像特征和所述低质量区域标记对初始检测模型进行有监督训练，获得经过训练的初始检测模型，包括：在所述样本图像特征上添加低质量区域预测编码，获得预测特征表示；将所述预测特征表示输入所述有监督解码器，获得所述有监督解码器输出的特征解码结果；将所述特征解码结果输入所述前馈神经网络，获得所述前馈神经网络输出的低质量区域预测结果；根据所述低质量区域预测结果和所述低质量区域标记，对第一参数和第二参数进行更新，获得所述经过训练的初始检测模型，所述第一参数为所述有监督解码器的模型参数，所述第二参数为所述前馈神经网络的模型参数。3.根据权利要求2所述的方法，其中，所述在所述样本图像特征上添加低质量区域预测编码，获得预测特征表示，包括：设置可学习的所述低质量区域预测编码，所述低质量区域预测编码与所述样本图像特征具有相同的数据结构；将所述样本图像特征与所述低质量区域预测编码相加，获得所述预测特征表示。4.根据权利要求2所述的方法，其中，所述根据所述低质量区域预测结果和所述低质量区域标记，对第一参数和第二参数进行更新，获得所述经过训练的初始检测模型，包括：根据所述低质量区域预测结果和所述低质量区域标记，获得多个区域损失值、且任两个区域损失值是基于不同的损失函数获得的；基于所述多个区域损失值，获得整合性损失；根据所述整合性损失，对所述第一参数和所述第二参数进行更新，获得所述经过训练的初始检测模型。5.根据权利要求1所述的方法，还包括：获取无监督样本图像；利用所述无监督样本图像，对包括无监督编码器的初始处理模型进行无监督训练，获得经过训练的初始处理模型；在所述经过训练的初始处理模型满足处理模型收敛条件的情况下，获得图像处理模型，所述图像处理模型为所述经过训练的初始处理模型，所述图像处理模型包括目标编码器，所述目标编码器为经过训练的无监督编码器。6.根据权利要求5所述的方法，其中，所述初始处理模型还包括无监督解码器，所述利
用所述无监督样本图像，对包括无监督编码器的初始处理模型进行无监督训练，获得经过训练的初始处理模型，包括：将所述无监督样本图像划分为多个图像块；对所述多个图像块中的第一部分图像块进行遮挡，获得第一特征序列；将所述多个图像块中除所述第一部分图像块之外的第二部分图像块输入所述无监督编码器，获得所述无监督编码器输出的第二特征序列；将所述第一特征序列和所述第二特征序列输入所述无监督解码器，获得所述无监督解码器输出的图像特征处理结果；基于所述图像特征处理结果，对第三参数和第四参数进行更新，获得所述经过训练的初始处理模型，所述第三参数为所述无监督编码器的模型参数，所述第四参数为所述无监督解码器的模型参数。7.根据权利要求6所述的方法，其中，所述对所述多个图像块中的第一部分图像块进行遮挡，获得第一特征序列，包括：获取预设比例区间；从所述预设比例区间中，随机获取目标比例值；按照所述目标比例值，从所述多个图像块中确定所述第一部分图像块；对所述第一部分图像块进行遮挡，获得所述第一特征序列。8.一种质量检测方法，包括：获取待检测图像；将所述待检测图像输入目标编码器，获得所述目标编码器输出的检测图像特征，所述目标编码器通过无监督训练获得；将所述检测图像特征输入质量检测模型，获得所述质量检测模型输出的低质量区域预测结果，所述质量检测模型通过权利要求1～7中任一项所述的方法训练获得；基于所述低质量区域预测结果，获得所述待检测图像的质量检测结果。9.根据权利要求8所述的方法，其中，所述获取待检测图像，包括：确定待检测视频；按照预设抽取间隔，从所述待检测视频中抽取多张候选样本图像，所述待检测图像为所述多张候选样本图像中的任一候选样本图像。10.根据权利要求9所述的方法，还包括：根据所述多张候选样本图像中每张候选样本图像所对应的质量检测结果，确定所述多张候选样本图像中低质量图像的数量占比；在所述数量占比大于预设数量占比的情况下，确定所述待检测视频为低质量视频。11.根据权利要求8所述的方法，其中，所述基于所述低质量区域预测结果，获得所述待检测图像的质量检测结果，包括：基于所述低质量区域预测结果，确定所述待检测图像的低质量区域面积；根据所述低质量区域面积和所述待检测图像的图像面积，获得所述待检测图像的低质量面积占比；在所述低质量面积占比大于预设面积占比的情况下，获得用于表征所述待检测图像为低质量图像的质量检测结果。
12.一种模型训练装置，包括：样本图像获取单元，用于获取有监督样本图像，所述有监督样本图像具有对应的低质量区域标记；样本图像特征获取单元，将所述有监督样本图像输入目标编码器，获得...

【专利技术属性】
技术研发人员：郭惠珂，崔东林，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：