[发明专利]视频质量评估模型生产方法及其装置、设备、介质

权利要求书

1.一种视频质量评估模型生产方法，其特征在于，包括如下步骤：

获取预先训练至收敛的超网络模型的网络结构相对应的采样空间及其对应的子网络结构的搜索空间；

根据所述超网络模型的网络结构从其对应的所述采样空间中采样确定多个子网络结构，获得每个子网络结构相对应的子网络模型；

将多个子网络结构相对应的各个子网络模型与超网络模型进行联合训练，获得训练至收敛的子网络模型作为候选模型；

验证各个候选模型的性能，筛选出至少一个候选模型作为视频质量评估模型。

2.根据权利要求1所述的视频质量评估模型生产方法，其特征在于，所述超网络模型的训练过程，包括如下步骤：

获取单个训练样本中的视频的多个图像帧，对所述多个图像帧进行数据增强处理获得样本数据输入至超网络模型中；

由该超网络模型对所述样本数据提取图像特征信息后，经预测模块输出预测所述样本数据对应的质量评分；

计算所述超网络模型的损失值，在该模型损失值未达到预设阈值时对该模型实施权重更新，并继续调用其他训练样本实施迭代训练直到模型收敛。

3.根据权利要求2所述的视频质量评估模型生产方法，其特征在于，所述损失值计算，包括如下步骤：

根据样本数据相对应的监督评分计算超网络模型预测样本数据所得的预测质量评分的回归损失值，所述监督评分为主观质量评分；

根据所述回归损失值计算出相应的交叉熵损失值；

将超网络模型预测样本数据所得的预测质量评分，以及样本数据对应的监督评分分别进行相同的乱序处理，将预测质量评分与乱序处理后的乱序的预测质量评分差值作为预设函数的输入，计算监督评分与乱序处理后的乱序的监督评分差值的绝对值与函数输出结果的和值，取和值与0两者中最大值作为乱序损失值；

计算所述回归损失值、所述交叉熵损失值以及乱序损失值的和值作为所述损失值。

4.根据权利要求1所述的视频质量评估模型生产方法，其特征在于，所述联合训练的过程，包括如下步骤：

获取单个训练样本中的视频的多个图像帧，对所述多个图像帧进行数据增强获得样本数据同步输入至超网络模型和各个子网络模型中；

由所述超网络模型和所述各个子网络模型分别对所述样本数据提取图像特征信息后，经预测模块预测出所述样本数据对应的质量评分；

根据所述超网络模型和所述各个子网络模型相对应的损失值，计算相应的联合损失值，在该联合损失值未达到预设阈值时对该各个子网络模型相应的实施权重更新，并继续调用其他训练样本实施迭代训练。

5.根据权利要求1所述的视频质量评估模型生产方法，其特征在于，验证各个候选模型的性能，筛选出至少一个候选模型作为视频质量评估模型的步骤中，包括如下步骤：

采用代理验证集对所述各个候选模型进行性能测算，获得每个候选模型对应的综合性能，所述综合性能包括运行时间和/或准确率指标；

选取满足预设条件的所述综合性能对应的候选模型产出为视频质量评估模型。

6.根据权利要求5所述的视频质量评估模型生产方法，其特征在于，采用代理验证集对所述各个候选模型进行性能测算，获得每个候选模型对应的综合性能的步骤中，包括如下步骤：

从各个候选模型相对应的子网络结构中进行通道搜索，确定其中处于目标压缩通道的子网络结构对应的多个压缩候选模型；

采用代理验证集中的训练样本相对应的输入至所述多个压缩候选模型，计算对应的运行时间和准确率指标；

根据运行时间和准确率指标确定综合性能。

7.根据权利要求6所述的视频质量评估模型生产方法，其特征在于，根据运行时间和准确率指标确定综合性能的步骤之后，还包括如下步骤：

为所述各个压缩候选模型与所述超网络模型共有的网络结构，复用所述超网络模型中对应该共有的网络结构的权重；

将各个压缩候选模型与超网络模型进行联合训练，选取训练后的满足预设条件的综合性能的压缩候选模型，将其产出为视频质量评估模型。