一种基于制造技术

一种基于

【技术实现步骤摘要】
radiology.
″
Insights into imaging 9(201 8)
：
611
‑
629)
的兴起，深度学习得到迅猛发展，基于深度学习的方法成为图像质量评估的主流方法
。
深度学习的方法以端到端的方式，自动提取图像与质量相关的特征，对比传统方法，这些方法具有更强的质量感知能力，与及更强的泛化能力
。
然而，标注图像质量评估数据集的高成本导致图像质量评估数据集较小，使得以数据驱动的深度学习模型容易过拟合
。
因此，仅依靠稀缺的标记数据很难充分挖掘深度学习模型的性能
。
在这种情况下，扩展图像质量评估数据集并利用半监督学习方法从未标记的数据中提取潜在信息是至关重要的，现有的方法通常采用生成对抗网络生成无标签数据，但是该方法生成的数据通常不能达到预期效果，并且，所生成的数据不可避免的存在噪声，这对模型的训练有着负面影响，因此使用更先进的方式生成图片，与及排除所生成的噪声尤为重要
。

技术实现思路

[0005]本专利技术针对盲参考图像质量评估领域数据集不足，与及无标签数据集中离群值损害模型性能问题，提供一种基于
PU
学习的盲参考图像质量评估半监督方法，首先利用扩散模型生成无标签数据以扩充盲图像质量评估数据集，再者生成与正样本语义信息相同的无标签数据集并加入负样本中，以此降低语义信息的干扰，提高
PU
学习排除离群值的能力，对获得的纯净无标签数据和标签数据，使用高效半监督学习方法
‑
教室学生架构训练网络模型，提高模型性能
。
[0006]本专利技术包括以下步骤：
[0007]1)
将非目标数据集的数据对应的图像质量分数
S
缩放到
[0
‑
9]并四舍五入到整数
y
作为其分数等级，以此作为标签训练
guided diffusion model(M1)
，用以生成无标签数据
U1；
[0008]2)
使用目标数据集
L
，按步骤
1)
方式训练
guided diffusion model(M2)
，用以生成语义与目标数据集相似的无标签数据
U2；
[0009]3)
利用目标数据集
L
预训练教师模型
T
；
[0010]4)
在目标数据集
L
中采样一个批量的有标签数据
B
l
作为正样本，分别使用
M1和
M2各采样一个批量的无标签数据
B
u1
作为负样本，并以此训练
PU learning
模型
b(x)
；
[0011]5)
分别在
M1和
M2中再各采样
n
个批量无标签数据
B
u
，通过
PU
‑
learning
模型
b(x)
获得数据的置信度，将置信度低于指定阈值
λ
的数据当做离群值并删除，获得较为纯净的无标签数据
B
u
υ
；
[0012]6)
利用教师模型
T
给纯净的无标签数据打伪标签
y*
，输入教师模型的数据不做数据增强；
[0013]7)
对上述一个批量的有标签数据
B
l
和带有伪标签
y*
的纯净无标签数据
B
uv
进行数据增强后，用以监督训练学生模型；其中，将无标签数据的平均置信度添加到其损失项上；
[0014]8)
重复步骤
4)
～
7)
，直到满足最大迭代次数
。
[0015]在步骤
1)
中，训练
guided diffusion model
包括训练分类器和扩散模型；训练分类器
p
φ
(y|x
t
，
t)
：设非目标数据集的平均主观分数最大值
s
max
和最小值
s
min
，图片质量分数
S
，对
S
进行如下操作获得图片对应的质量等级标签：
[0016][0017]用以监督训练引导扩散模型采样的分类器
p
φ
(y|x
t
，
t)
，分类器为
Unet
编码器加全连接分类头组合而成；
[0018]训练扩散模型
∈
θ
(x
t
，
t)
如下：向原始图片
x0中逐步添加先验随机噪声
∈
i
获得噪声样本
x1，
...
·
x
T
‑1，
x
T
，其中
x
T
是各向同性高斯噪声，并以
(x
i
，
ε
i
)
作为数据训练扩散模型
∈
θ
(x
t
，
t)
直至达到最大迭代次数；扩散模型使用完整的
Unet
网络，包括编码器和解码器
。
[0019]在步骤
3)
中，所述预训练过程为对带有标签数据进行预处理，得到预处理后的训练集，记为其中，表示第
i
幅失真图像，
N
为图像数目；预处理为随机裁剪
、
翻转操作
。
[0020]在步骤
4)
中，所述
PU
‑
learning
模型使用的是
VGG19
，加载在
imagenet
数据集训练的预训练模型，删除分类头，添加二分类全连接层作为新分类头，损失函数使用
focal loss
，使用
SGD
优化器，训练模型前对数据进行随机裁剪与翻转
。
[0021]在步骤
5)
中，所述采样过程为，采样先从标准正太分布中随机采样一个各向同性高斯噪声
X
T
，根据扩散模型
∈
θ
(x
t
，
t)
，计算降噪后的图像的均值
μ
←
μ
θ
(x
t
，
t)
和方差
∑
←
∑
θ
(x<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
PU
学习的盲参考图像质量评估半监督方法，其特征在于包括以下步骤：
1)
将非目标数据集的数据对应的图像质量分数
s
缩放到
[0
‑
9]
并四舍五入到整数
y
作为其分数等级，以此作为标签训练
guided diffusion model M1，用以生成无标签数据
U1；
2)
使用目标数据集
L
，按步骤
1)
方式训练
guided diffusion model M2，用以生成语义与目标数据集相似的无标签数据
U2；
3)
利用目标数据集
L
预训练教师模型
T
；
4)
在目标数据集
L
中采样一个批量的有标签数据
B
l
作为正样本，分别使用
M1和
M2各采样一个批量的无标签数据
B
u1
作为负样本，并以此训练
PU
‑
learning
模型
b(x)
；
5)
分别在
M1和
M2中再各采样
n
个批量无标签数据
B
u
，通过
PU
‑
learning
模型
b(x)
获得数据的置信度，将置信度低于指定阈值
λ
的数据当做离群值并删除，获得较为纯净的无标签数据
B
uv
；
6)
利用教师模型
T
给纯净的无标签数据打伪标签
y*
，输入教师模型的数据不做数据增强；
7)
对上述一个批量的有标签数据
B
l
和带有伪标签
y*
的纯净无标签数据
B
uv
进行数据增强后，用以监督训练学生模型；其中，将无标签数据的平均置信度添加到其损失项上；
8)
重复步骤
4)
～
7)
，直到满足最大迭代次数
。2.
如权利要求1所述一种基于
PU
学习的盲参考图像质量评估半监督方法，其特征在于在步骤
1)
中，训练
guided diffusion model
包括训练分类器和扩散模型；训练分类器
p
φ
(y|x
t
，
t)
：设非目标数据集的平均主观分数最大值
s
max
和最小值
s
min
，图片质量分数
s
，对
s
进行如下操作获得图片对应的质量等级标签：用以监督训练引导扩散模型采样的分类器
p
φ
(y|x
t
，
t)
，分类器为
Unet
编码器加全连接分类头组合而成；训练扩散模型
∈
θ
(x
t
，
t)
：向原始图片
x0中逐步添加先验随机噪声
∈
i
获得噪声样本
x1，
....x
T
‑1，
x
T
,
其中
x
T

【专利技术属性】
技术研发人员：纪荣嵘，戴平阳，王旭东，刘文锋，
申请(专利权)人：厦门大学，
类型：发明
国别省市：