[发明专利]一种基于深度网络特征间重要性的图像质量评估方法

权利要求书

1.一种基于深度网络特征间重要性的图像质量评估方法，其特征在于，包括以下步骤：

1)准备训练测试网络模型所用的图像质量评估数据集，将图像质量评估数据集按照图像内容随机划分为训练集和测试集；

2)将SeNet模块加入VGG-16网络以搭建用于图像质量评估的多个不同组合方式的神经网络模型VGG^*-SE，使用训练数据集分别对其进行训练，当训练的模型在测试数据集上达到预期的精度，选择此模型作为最终模型，并保存网络模型训练后的参数；所述的SeNet模块从输入层至输出层之间依次连接有第一全局池化层se_global_pool，第一卷积层se_1x1_down，第一激活函数层ReLU，第二卷积层se_1x1_up，第二激活函数层sigmoid，第一通道标注层scale；具体实现方法如下：

201)判断VGG-16网络卷积层中特征类型

对VGG-16网络分别进行前n个卷积层参数的冻结，得到n个深度网络模型，并利用训练测试数据集对冻结后的多个模型分别进行训练与测试，将多个模型预测结果依次与不冻结训练时的模型预测结果进行对比，预测精度开始出现下降的层以及后续所有层即确定为适用于图像质量评估任务的深度特征层，而之前的所有卷积层则确定为适用于多图像任务的一般特征层；

202)确定SeNet加入VGG-16的最佳位置

在上述步骤确定出深度特征层后，在VGG-16网络的各个深度特征对应的卷积层后分别加入SeNet模块，组成多个VGG^*-SE网络模型，其中*代表将SeNet加入到VGG-16的第*个卷积层，并利用训练测试集对多个模型进行训练及测试，最终预测效果最好的模型——VGG⁵-SE，即确定为最佳位置组合的模型；

203)确定SeNet加入VGG-16的最佳参数；

在上述确定出的最佳位置组合模型VGG^*-SE后，设置VGG^*-SE模型中SeNet第一个卷积层中不同数目的激活值压缩比组成多个不同参数下的网络模型VGG⁵-SE^，其中^代表SeNet的第一个卷积层的激活值压缩比r选取为^，并用训练测试集对不同参数下的VGG⁵-SE模型进行训练与测试；选取预测效果最好的激活值压缩比r＝4即为最佳位置组合及最佳参数下的VGG⁵-SE模型，从而确定出最终的模型结构；

3)使用选取的最终模型计算测试集的预测精度。

2.根据权利要求1所述的一种基于深度网络特征间重要性的图像质量评估方法，其特征在于，步骤201)中，深度特征层为第五个卷积层及以后，一般特征层为第一个到第四个卷积层。

3.根据权利要求1所述的一种基于深度网络特征间重要性的图像质量评估方法，其特征在于，步骤2)中所述所有训练环节，VGG-16架构部分的初始化参数选取的是RankIQA算法的预训练阶段在waterloo数据集下训练得到的网络参数，SeNet架构部分的初始化参数不做特别设置，从头开始训练。