[發明專利]基于主動學習的圖像視頻質量評價模型的訓練方法以及裝置

有效

• 申請號: 202110152092.5
• 申請日: 2021-02-03
• 公開（公告）號: CN112785585B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 溫少國;王君樂
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/091;G06N3/0464
• 代理公司: 北京勵誠知識產權代理有限公司 11647
• 代理人: 趙爽

本申請提供了一種基于主動學習的圖像視頻質量評價模型的訓練方法以及裝置。該方法適用于機器學習等技術領域，該方法包括：在已知k個已標注樣本下(0＜k)，基于主動學習的方式，利用質量評價模型確定某個待評價樣本的不確定性；基于該待評價樣本的不確定性，假設該樣本的不確定性很高，則優先對其進行主觀打分并加入到已經標注的K個樣本中，重新訓練質量評價模型以達到更好的性能。本申請將主動學習和圖像視頻質量評價模型結合起來，通過主動學習的方式，實現從海量圖像視頻庫中挑選出更有價值的樣本提供給標注人員進行打分，以訓練質量評價模型，進而，在實現在同等模型性能的情況下，能夠降低需要主觀打分的樣本的數量，以節省標注成本。

技術領域

本申請實施例涉及人工智能的計算機視覺(圖像)或機器學習等技術領域，并且更具體地，涉及基于主動學習的圖像視頻質量評價模型的訓練方法以及裝置。

背景技術

圖像/視頻的質量一般可采用算法模型計算出視頻/圖像的質量指標。

通常情況下，通過隨機挑選樣本的方式，基于挑選的樣本進行主動打分，然后基于主動打分的樣本訓練質量評價模型。然而，針對這種訓練質量評價模型的方法，隨機挑選樣本的方法很容易挑選到很多無價值的樣本，特別是海量圖像視頻庫中會有很多相似、冗余的數據。而且選擇的樣本數需要提前設定，不容易控制。此外，將主觀打分和模型訓練完全孤立，會導致如果發現主觀打分后的數據集質量不高，最終導致需要重新打分，耗時耗力且容錯率很低。

因此，如何從海量圖像視頻庫中挑選出更有價值的樣本提供給標注人員進行打分，進而實現在同等模型性能的情況下，降低需要主觀打分的樣本的數量，以節省標注成本。

發明內容

本申請提供了一種基于主動學習的圖像視頻質量評價模型的訓練方法以及裝置，能夠從海量圖像視頻庫中挑選出更有價值的樣本提供給標注人員進行打分，打分后的樣本用于訓練質量評價模型，基于此，在實現在同等模型性能的情況下，能夠降低需要主觀打分的樣本的數量，以節省標注成本。

一方面，本申請提供了一種基于主動學習的圖像視頻質量評價模型的訓練方法，包括：

獲取待評價樣本和k個已標注樣本，0＜k；

以該待評價樣本和該k個已標注樣本為輸入，利用質量評價模型得到該待評價樣本相對該k個已標注樣本中的第i個已標注樣本的平均主觀打分MOS偏移量，0＜i≤k；

將該第i個已標注樣本的MOS與該待評價樣本相對該第i個已標注樣本的MOS偏移量之和，確定為該待評價樣本的第i個預測MOS；

基于該待評價樣本相對該k個已標注樣本中的每一個已標注樣本的MOS偏移量，得到該待評價樣本的k個預測MOS；

基于該k個預測MOS間的差異，確定該待評價樣本的不確定性；

在基于該待評價樣本的不確定性，確定該待評價樣本用于訓練該質量評價模型的情況下，以主觀打分的方式獲取該待評價樣本的MOS并基于該k個已標注樣本的MOS和該待評價樣本的MOS，重新訓練該質量評價模型。

另一方面，本申請提供了一種用于訓練基于主動學習的圖像視頻質量評價模型的裝置，包括：

獲取單元，用于獲取待評價樣本和k個已標注樣本，0＜k；

處理單元，用于：

以該待評價樣本和該k個已標注樣本為輸入，利用質量評價模型得到該待評價樣本相對該k個已標注樣本中的第i個已標注樣本的平均主觀打分MOS偏移量，0＜i≤k；將該第i個已標注樣本的MOS與該待評價樣本相對該第i個已標注樣本的MOS偏移量之和，確定為該待評價樣本的第i個預測MOS；基于該待評價樣本相對該k個已標注樣本中的每一個已標注樣本的MOS偏移量，得到該待評價樣本的k個預測MOS；基于該k個預測MOS間的差異，確定該待評價樣本的不確定性；