[发明专利]视觉优化方法、优化系统、计算机设备和可读存储介质

说明书

本发明提出了一种视觉优化方法、视觉优化系统、计算机设备和计算机可读存储介质。其中，视觉优化方法包括：获取完成预训练的预设卷积神经网络以及预设问题的感知损失函数；根据预设问题的感知损失函数和预设卷积神经网络中预设层数对应的感知损失函数训练得出与预设层数对应的多个模型；根据预设指标评估多个模型；根据评估结果和预设指数权重规则获得多个模型中每个模型的权重；根据每个模型的权重和预设层数对应的感知损失函数获取优化的感知损失函数。本发明充分利用并整合了预训练好的网络从低层到高层，从局部到整体的语义信息，同时具有理论保障，实现了准确细微地指导两张图片的相似性。

技术领域

本发明涉及视觉优化技术领域，具体而言，涉及一种空视觉优化方法、视觉优化系统、计算机设备、计算机可读存储介质。

背景技术

在视觉优化中，J.Johnson等人提出的感知损失函数是一种描述两张图片是否语义上相似的好方法。这种方法通过选取一个预训练好的网络(以vgg网络为例)，比较训练集中生成去雨图片和真正去雨图片在vgg(现有预训练好的卷积神经网络的一种)网络某一层上的均方误差。但是，由于到底选取vgg的哪一层对结果的影响非常大。

SATOSHI IIZUKA等人通过在生成式对抗网络中构造局部分辨器和全局分辨器的方式，从局部和整体两个角度判断两张图片是否相似。这种优化相比于采用预训练好的网络，会更倾向于过拟合训练集，从而影响泛化能力。

YijunLi等人通过强调两张相同的图片语义分割结果应该相似，构造出了语义正则化函数。这个方法虽然利用了预训练好的网络，但是相同的语义分割结果是有可能对应不同的语义信息，所以可能无法细微地指导两张图片的相似性。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明第一个方面在于提出一种视觉优化方法。

本发明的第二个方面在于提出一种视觉优化系统。

本发明的第三个方面在于提出一种计算机设备。

本发明的第四个方面在于提出一种计算机可读存储介质。

有鉴于此，根据本发明的一个方面，提出了一种视觉优化方法，包括：获取完成预训练的预设卷积神经网络以及预设问题的感知损失函数；根据预设问题的感知损失函数和预设卷积神经网络中预设层数对应的感知损失函数训练得出与预设层数对应的多个模型；根据预设指标评估多个模型；根据评估结果和预设指数权重规则获得多个模型中每个模型的权重；根据每个模型的权重和预设层数对应的感知损失函数获取优化的感知损失函数。

本发明提供的视觉优化方法，获取某个预训练好的卷积神经网络，和某个预设的具体问题的感知损失函数，在训练集上通过具体问题的感知损失函数与基于预训练好的网络的预设层数的感知损失函数训练出多个模型，选取某个预设判别评估指标评估多个模型，再利用评估得到的结果和指数权重算法规则得到每个模型的权重，用该权重对预设层数对应的感知损失函数进行预算，得到具体问题的感知损失函数与基于指数权重算法规则的优化感知损失函数，在得出最终的优化的感知损失函数的过程充分利用并整合了预训练好的网络从低层到高层，从局部到整体的语义信息，同时具有理论保障，实现了准确细微地指导两张图片的相似性。

根据本发明的上述视觉优化方法，还可以具有以下技术特征：

在上述技术方案中，优选地，根据预设问题的感知损失函数和预设卷积神经网络中预设层数对应的感知损失函数训练得出与预设层数对应的多个模型的步骤，具体包括：根据第一预设公式获取预设层数的感知损失函数：

根据第二预设公式获得多个模型的感知损失函数：

P_i′＝L+P_i