[发明专利]基于元迁移学习的无参考视频质量评价方法

说明书

本发明提出了一种基于元迁移学习的无参考视频质量评价方法，实现步骤为：获取预训练集、元训练支持集和查询集；构建图像质量评价网络模型G；对图像质量评价网络模型G进行迭代训练；构建基于元迁移的视频质量评价网络模型H；对视频质量评价网络模型H进行元训练；获取视频质量评价结果。本发明将预训练好的图像质量评价网络模型的图像失真特征提取模块的结构及权值参数迁移到视频质量评价网络模型的特征提取网络，并为特征提取网络最后一个卷积层的卷积核分配可元训练的缩放系数，解决了现有技术迁移后的模型提取的特征与视频失真特征差异较大和模型在训练时所需更新的参数量很大的问题，提高了基于元迁移学习的无参考视频质量评价的准确度和效率。

技术领域

本发明属于视频处理技术领域，涉及一种视频质量评价方法，具体涉及一种基于元迁移学习的无参考视频质量评价方法，可用于对无参考的视频质量进行客观评价，进而对视频质量的改善进行指导。

背景技术

近些年来，随着互联网技术的快速发展，视频相关的应用数量呈指数增长，数字视频逐渐融入人类的工作和生活之中。例如短视频、视频会议、VR、数字影院等应用使人们更方便高效地学习、办公、娱乐，享受视频技术带来的便捷，与此同时，终端设备和视频应用的普及也使人们对视频质量的要求越来越高。但是，视频需要历经采集、压缩、传输、解压和存储等环节，才能被用户观看，在此期间，由于成像系统、拍摄手段、压缩算法、传输方式和存储设备等可能存在问题，视频通常会产生不同程度的失真和降质，影响用户的观看体验。因此，研究能够准确高效地对视频质量进行评价的方法具有重要的意义。

视频质量评价是通过人观看视频进行主观打分或建立数学模型对视频进行客观打分的过程，根据评价主体的不同，视频质量评价可以分为主观视频质量评价和客观视频质量评价。主观视频质量评价是指被试者在无外界干扰的实验室环境下，根据设定好的评价标准，对待测视频的质量进行评价；客观视频质量评价是通过模拟人眼和大脑的视觉认知过程，设计能够准确反映视频主观质量的客观评价模型，对待测视频的质量进行评价。与主观视频质量评价相比，客观视频质量评价具有成本低、效率高、稳定性强等优点，成为视频质量评价领域的研究重点。

按照客观视频质量评价对原始视频的依赖程度，又可以分为全参考视频质量评价方法、部分参考视频质量评价方法和无参考视频质量评价方法三类。全参考视频质量评价方法需要参考原始视频的全部信息，用于对比失真视频与原始视频之间各类数据的差异，来评价失真视频质量；部分参考视频质量评价方法需要原始视频的部分信息作为参考，是介于全参考和无参考方法之间的一种方法；无参考视频质量评价方法不需要参考任何的原始视频信息，能更加灵活、实时地评价视频质量，而且大部分失真视频的原始视频都无法获得，全参考和部分参考视频质量评价方法无法用于对这些无原始视频的失真视频进行质量评价，所以无参考视频质量评价方法最具研究和应用价值。

迁移学习是利用数据、任务或模型之间的相似性，将从旧领域学习到的先验知识迁移到新领域的一种方法，缓解了深度学习模型对数据量要求很大的问题。与迁移学习类似，元学习也是解决模型泛化能力不足、对新任务适应性差的问题，但元学习更加强调新任务的小样本属性，追求在新任务上使用更少的算力和数据来完成目标任务。而元迁移学习将迁移学习与元学习相结合，通过迁移学习，采用预训练的网络，增强模型提取当前数据集潜在统一分布的能力，分摊元训练阶段的学习压力；而且对经过预训练的卷积核进行参数固定，并为其分配可以学习的权重，减少每次元训练时被更新的参数量，降低模型的训练难度。

在无参考视频质量评价方法中，难以获取大量带标签的视频数据，而且直接使用少量的视频数据进行训练又很容易造成无参考视频质量评价网络模型的过拟合，训练得到的模型在面对特定失真类型时性能表现不佳，评价精度较低。