[发明专利]视频质量评估模型生产方法及其装置、设备、介质

说明书

本申请涉及图像识别技术领域中一种视频质量评估模型生产方法及其装置、设备、介质，所述方法包括：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。本申请能够生产高效的视频质量评估模型。

技术领域

本申请涉及图像识别技术领域，尤其涉及一种视频质量评估模型生产方法及其相应的装置、计算机设备、计算机可读存储介质。

背景技术

视频质量评估是自从视频出现之后就在学术界与工业界一直研究的方法，主要分为有参考评估与无参考评估。有参考评估根据给出的参考视频，逐帧对比效果差异，从而可以较容易得到一个相对准确的评估分数。视频无参考评估是一种对当前视频质量给出用户主观体验优劣分数的方法，根据无参考评估的分数可以动态调整网络传输的码率、帧率、分辨率等质量指标以达到控制成本的目的。通过调整，用户主观视频观感体验基本无影响，如此实现既满足用户需求，又能变相节省网络传输资源，可见能够带来相当可观的经济效益。

传统技术实现的视频质量评估模型为了准确率，一般模型结构较为复杂，运行效率较低。另外，为了提升运行效率，传统的模型压缩技术方案，由于无法把握压缩后的模型结构，往往导致模型结构过于简单，难以保证准确率，不能满足实际业务所需。

鉴于传统技术的不足，本申请作出相应的探索。

发明内容

本申请的首要目的在于解决上述问题至少之一而提供一种视频质量评估模型生产方法及其相应的装置、计算机设备、计算机可读存储介质。

为满足本申请的各个目的，本申请采用如下技术方案：

适应本申请的目的之一而提供的一种视频质量评估模型生产方法，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。

深化的实施例中，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。

较佳的实施例中，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；