[发明专利]用于图像处理的神经网络训练方法、装置以及计算机设备

说明书

本发明实施例提供了一种用于图像处理的神经网络训练方法、装置以及计算机设备。用于图像处理的神经网络训练方法包括：训练用于图像识别的第一深度神经网络；通过标注有图像美学分类数据的第一图像训练样本对所述第一深度神经网络的网络参数进行第一更新；将网络参数进行第一更新后的所述第一深度神经网络的分类器层的参数，替换为用于图像识别的分类器层的参数以及用于图像美学分类的分类器层的参数；通过所述第一图像训练样本对分类器层的参数替换后的所述第一深度神经网络的网络参数进行第二更新。由此，可获得图像识别分类的分类器和图像美学分类的分类器，并且提高该两个分类器的准确性和鲁棒性。

技术领域

本发明实施例涉及图像处理技术，尤其涉及一种用于图像处理的神经网络训练方法、装置以及计算机设备。

背景技术

图像美学质量评估(Image Aesthetic Quality Assessment)是计算机视觉领域的研究热点之一，用于其通过计算机基于美观、美学的标准来判断图像美学质量或图像美感度。

在现有的图像美学质量评估方案中，对训练样本图像进行特征提取来训练分类器，进而使用训练的分类器对待分类的图像进行美学质量的分类。然而，现有的图像美学质量评估方案中的分类器训练与图像识别类型的分类方案中的分类器训练是相互独立的任务。

发明内容

本发明实施例的目的在于，提供了一种用于图像处理的神经网络训练方案。

根据本发明实施例的一方面，提供了一种用于图像处理的神经网络训练方法，包括：训练用于图像识别的第一深度神经网络；通过标注有图像美学分类数据的第一图像训练样本对所述第一深度神经网络的网络参数进行第一更新；将网络参数进行第一更新后的所述第一深度神经网络的分类器层的参数替换为用于图像识别的分类器层的参数以及用于图像美学分类的分类器层的参数；通过所述第一图像训练样本对分类器层的参数替换后的所述第一深度神经网络的网络参数进行第二更新。

可选地，所述通过所述第一图像训练样本对分类器层的参数替换后的所述第一深度神经网络的网络参数进行第二更新，包括：以所述第一图像训练样本作为分类器层的参数替换后的所述第一深度神经网络的输入，采用批量随机梯度下降的方式对所述第一深度神经网络的网络参数进行第二更新，其中，在执行批量随机梯度下降的图像样本批次中，作为正样本图像样本的个数和作为负样本的图像样本的个数一致或者二者个数的差值落入容许范围。

可选地，所述方法还包括：从各个所述第一图像训练样本提取局部图像，将所述局部图像以及标注的图像美学分类数据作为第二图像训练样本；通过所述第二图像训练样本训练用于图像美学分类的第二深度神经网络；将所述第二深度神经网络的特征提取层拼连到所述第一深度神经网络的特征提取层中；对具有拼连的特征提取层的所述第一深度神经网络的网络参数进行第三更新。

可选地，所述方法还包括：在训练所述第一深度神经网络后，将所述第一深度神经网络的分类器层的参数替换为三元组计算损耗层的参数；所述通过标注有图像美学分类数据的第一图像训练样本对所述第一深度神经网络的网络参数进行第一更新包括：以所述第一图像训练样本作为输入，采用批量随机梯度下降的方式更新具有三元组计算损耗层的所述第一深度神经网络的网络参数；所述将所述第一深度神经网络的分类器层的参数替换为用于图像识别的分类器层的参数以及用于图像美学分类的分类器层的参数包括：将所述三元组计算损耗层的参数替换为用于图像美学分类的分类器层的参数，并且添加用于图像识别的分类器层的参数。

可选地，所述方法还包括：获取多个新的样本图像；分别将所述多个新的样本图像输入所述第一深度神经网络，获取所述多个新的样本图像的美学分类标注，并且以所述多个新的样本图像及其相应的美学分类标注作为第三图像训练样本；以所述第一图像训练样本和第三图像训练样本作为输入，采用批量随机梯度下降的方式更新所述第一深度神经网络，其中，在执行批量随机梯度下降的图像样本批次中，所述第一图像训练样本的个数和使用第三图像训练样本的个数一致或者二者个数的差值落入容许范围。