[發(fā)明專利]數(shù)據(jù)集的構(gòu)建方法、裝置、電子設備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011462355.4
• 申請日: 2020-12-10
• 公開（公告）號: CN112488033A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設計）人: 汪賢;熊寶玉;樊鴻飛
• 申請（專利權(quán)）人: 北京金山云網(wǎng)絡技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京華夏泰和知識產(chǎn)權(quán)代理有限公司 11662
• 代理人: 盧萬騰;杜欣

1.一種數(shù)據(jù)集的構(gòu)建方法，其特征在于，所述方法包括：

基于預設的多張原始圖像構(gòu)建模擬數(shù)據(jù)集；

基于所述模擬數(shù)據(jù)集從預設的多個候選特征算子集中確定目標特征算子集；

基于所述目標特征算子集對候選數(shù)據(jù)集進行特征提取，得到候選數(shù)據(jù)特征集；

利用預設的數(shù)據(jù)均衡策略對所述候選數(shù)據(jù)特征集進行均衡處理，并將均衡處理后的候選數(shù)據(jù)特征集中各候選數(shù)據(jù)特征對應的候選數(shù)據(jù)作為深度學習訓練數(shù)據(jù)，得到深度學習訓練數(shù)據(jù)集。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述模擬數(shù)據(jù)集從預設的多個候選特征算子集中確定目標特征算子集，包括：

基于預設的多個候選特征算子集分別對所述模擬數(shù)據(jù)集進行特征提取，得到多個模擬數(shù)據(jù)特征集；

利用所述數(shù)據(jù)均衡策略分別對多個所述模擬數(shù)據(jù)特征集進行均衡處理，并將均衡處理后的模擬數(shù)據(jù)特征集中各模擬數(shù)據(jù)特征對應的模擬數(shù)據(jù)作為模擬訓練數(shù)據(jù)，得到多個模擬訓練數(shù)據(jù)集；

利用多個所述模擬訓練數(shù)據(jù)集分別對初始模型進行訓練，得到多個圖像質(zhì)量評價模型；

確定多個所述圖像質(zhì)量評價模型的性能指標值，以根據(jù)多個所述性能指標值從多個所述候選特征算子集中確定目標特征算子集。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述確定多個所述圖像質(zhì)量評價模型的性能指標值，包括：

將預設的測試數(shù)據(jù)分別輸入至多個所述圖像質(zhì)量評價模型，得到多個所述圖像質(zhì)量評價模型輸出的所述測試數(shù)據(jù)的預測質(zhì)量指標值；

基于所述測試數(shù)據(jù)的真實質(zhì)量指標值和預測質(zhì)量指標值確定多個所述圖像質(zhì)量評價模型的性能指標值。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)多個所述性能指標值從多個所述候選特征算子集中確定目標特征算子集，包括：

將性能指標值最高的圖像質(zhì)量評價模型對應的候選特征算子集確定為目標特征算子集。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于預設的多張原始圖像構(gòu)建模擬數(shù)據(jù)集，包括：

利用設定的多個圖像失真模擬函數(shù)分別對多張原始圖像進行失真模擬，得到多張失真模擬圖像；

選取設定數(shù)量的所述失真模擬圖像作為模擬數(shù)據(jù)歸入模擬數(shù)據(jù)集。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述方法還包括：

將多張所述失真模擬圖像中，除所述模擬數(shù)據(jù)以外的其他失真模擬圖像作為所述測試數(shù)據(jù)；以及，

針對每一所述失真模擬圖像，以得到所述失真模擬圖像時利用的圖像失真模擬函數(shù)中的失真參數(shù)為關鍵字，查找預設的失真參數(shù)和失真強度值的對應關系，得到包含所述關鍵字的目標對應關系；

將所述目標對應關系中的失真強度值確定為所述失真模擬圖像的真實質(zhì)量指標值。

7.一種數(shù)據(jù)集的構(gòu)建裝置，其特征在于，所述裝置包括：

模擬模塊，用于基于預設的多張原始圖像構(gòu)建模擬數(shù)據(jù)集；

確定模塊，用于基于所述模擬數(shù)據(jù)集從預設的多個候選特征算子集中確定目標特征算子集；

提取模塊，用于基于所述目標特征算子集對候選數(shù)據(jù)集進行特征提取，得到候選數(shù)據(jù)特征集；

均衡模塊，用于利用預設的數(shù)據(jù)均衡策略對所述候選數(shù)據(jù)特征集進行均衡處理，并將均衡處理后的候選數(shù)據(jù)特征集中各候選數(shù)據(jù)特征對應的候選數(shù)據(jù)作為深度學習訓練數(shù)據(jù)，得到深度學習訓練數(shù)據(jù)集。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述確定模塊具體用于：

基于預設的多個候選特征算子集分別對所述模擬數(shù)據(jù)集進行特征提取，得到多個模擬數(shù)據(jù)特征集；

利用所述數(shù)據(jù)均衡策略分別對多個所述模擬數(shù)據(jù)特征集進行均衡處理，并將均衡處理后的模擬數(shù)據(jù)特征集中各模擬數(shù)據(jù)特征對應的模擬數(shù)據(jù)作為模擬訓練數(shù)據(jù)，得到多個模擬訓練數(shù)據(jù)集；

利用多個所述模擬訓練數(shù)據(jù)集分別對初始模型進行訓練，得到多個圖像質(zhì)量評價模型；

確定多個所述圖像質(zhì)量評價模型的性能指標值，以根據(jù)多個所述性能指標值從多個所述候選特征算子集中確定目標特征算子集。