[發明專利]一種基于并行卷積神經網絡的圖像質量測試方法

在審

• 申請號: 201610860979.9
• 申請日: 2016-09-28
• 公開（公告）號: CN106651830A
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 王偉凝;趙明權;黃杰雄;蔡加成
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 陳文姬

1.一種基于并行卷積神經網絡的圖像質量測試方法，其特征在于，包括以下步驟：

(1)采用并行卷積神經網絡建立圖像質量測試模型；所述圖像質量測試模型包括第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第一全連接層、第二全連接層和第三全連接層；

所述第五卷積層為包含n個分支的并行結構網絡；1≤n≤10；

(2)輸入數據預處理與數據庫平衡化處理：對預訓練數據集的每個樣本進行裁剪和歸一化，并對預訓練數據集的樣本數量進行平衡化處理；

(3)模型的預訓練：采用預訓練數據集，對圖像質量測試模型進行預訓練學習，得到網絡權值；

所述預訓練學習，具體為：

用預訓練數據集中每一種類別圖像各自訓練一個深度CNN網絡，并且進行權值學習和提取；

所述權值學習和提取，具體包括以下步驟：

(3-1)深度CNN網絡權值初始化；

(3-2)對深度CNN網絡進行迭代訓練；

(3-3)提取每一個深度CNN網絡第五卷積層學習得到的卷積核權值；

(4)并行模型訓練：初始化圖像質量測試模型，基于預訓練初始化后的圖像質量測試模型，進行并行模型訓練，得到已訓練的圖像質量評估模型；

(5)對目標圖像使用已訓練的質量評估模型進行測試。

2.根據權利要求1所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，步驟(2)所述輸入數據預處理，具體為：

將所有的樣本的長寬統一歸一化為256*256，在模型輸入接口的匹配中，每一次讀取輸入圖像數據時，被隨機裁剪到規格為227*227的大小。

3.根據權利要求1所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，步驟(2)所述數據庫平衡化處理，具體為：

對預訓練數據集中的每個樣本進行旋轉處理，并左右鏡像一次，產生新的樣本。

4.根據權利要求1所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，步驟(3)所述預訓練學習中，

第一～第四卷積層初始設為AlexNet模型前四層網絡權值，采用隨即梯度下降方式進行訓練，學習率設置為初始值0.0001，第五卷積層提取層和全連接層則設置初始學習率為0.001。

5.根據權利要求1所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，步驟(4)所述初始化圖像質量測試模型，基于預訓練初始化后的圖像質量測試模型，進行并行模型訓練：

(4-1)模型初始化；

(4-2)設置訓練參數；

(4-3)加載訓練數據，所述訓練數據包括訓練集和驗證集；

(4-4)采用隨即梯度下降算法對初始化后的圖像質量測試模型進行迭代訓練，在訓練集上，每迭代1000次保存一次模型參數，經過不斷迭代，取得網絡最優解，取在驗證集上誤差最小的模型作為已訓練的圖像質量評估模型。

6.根據權利要求5所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，步驟(4-1)所述模型初始化，具體為：

引用AlexNet模型的權值來初始化圖像質量測試模型的第一～第四卷積層，第五層的并行結構由步驟(3)中預訓練階段得到的權值進行初始化，全連接層的則權值采用隨機初始化方式。

7.根據權利要求6所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，步驟(4-2)所述設置訓練參數，具體為：第一～第五卷積層的初始學習率設置為0.0001；全連接層參數的初始學習率為0.001；訓練過程設為每8次遍歷樣本集后，學習率降低40％。

8.根據權利要求1所述的基于并行卷積神經網絡的圖像質量測試方法，其特征在于，第一卷積層有96個卷積核，大小為11*11*3；第二卷積層有256個卷積核，大小為5*5*48；第三卷積層有384個核，大小為3*3*256；第四卷積層有384個核，大小為3*3*192；第5卷積層有64*n個核，大小為3*3*64；第一和第二全連接層有512和神經元，第三全連接層有2個神經元；

第一層卷積層依次經第一池化層、第一正則化層與第二卷積層連接；第二卷積層經第二池化層、第二正則化層與第三卷積層連接；第一池化層、第二池化層參數與AlexNet模型參數相同；第三卷積層直接與第四卷積層連接；第四卷積層直接與第五卷積層連接；第五卷積層經第五池化層與第一全連接層連接，第五池化層采用均值池化方法，池化單元大小z*z取2*2，池化步長s取2；第一全連接層依次連接第二全連接層和第三全連接層。