[发明专利]基于改进的dice损失函数的视频图像失真效应模型构建方法

权利要求书

1.一种基于改进的dice损失函数的视频图像失真效应模型构建方法，其特征在于，包括如下步骤：

步骤S1、基于Dice损失函数进行函数改进，加入权重因子和平滑因子更好的适应样本数据集特征；

步骤S2、在DenseNet的密集型卷积神经网络采用改进的损失函数对数据进行训练，实现模型的分类构建；

步骤S3、利用训练好的模型对现有的视频图像进行分类预测，判断视频图像是否失真。

2.根据权利要求1所述的基于改进的dice损失函数的视频图像失真效应模型构建方法，其特征在于，所述步骤S1具体实现如下：

步骤S11、Dice Loss描述了在图像中感兴趣的结构仅占据扫描的非常小的区域，从而使学习过程陷入损失函数的局部最小值，因此要加大前景区域的权重Dice；其中Dice可以理解为是两个轮廓区域的相似程度，如果用A、B表示两个轮廓区域所包含的点集，则Dice可以表示为如果用TP，FP，FN表示是真阳性、假阳性、假阴性的个数，则Dice可以表示为

步骤S12、基于步骤S11的原理，对Dice loss加入平滑因子和权重因子，构造了一个新的Dice loss损失函数，函数表达式如下：

其中，y_true为输入实例的真实类别，y_pred为预测输入实例属于类别1的概率，ω是权重因子，ε是平滑因子；

步骤S13、根据步骤S12所改进的Dice loss损失函数，根据样本数据集的比例和样本特点设置平滑因子和权重因子值，以更好的贴合不均衡的训练场景下、以提高模型的训练效果，同时并且可直接在评价标准上进行优化，提升拟合效果。

3.根据权利要求1所述的基于改进的dice损失函数的视频图像失真效应模型构建方法，其特征在于，所述步骤S2具体实现如下：

步骤S21、读取数据集，并利用图片生成器对数据样本进行包括拉伸、旋转的变换和数据扩充，得到比原来数据集更大的样本集训练，提高网络识图能力以模型拟合效果：

步骤S22、载入模型网络，并根据训练要求添加新层，搭建训练模型；

步骤S23、将步骤S1所改进设置的损失函数引入网络；

步骤S24、引入训练效果评价指标ACC、ROC/AUC和F1-Score，对模型训练过程进行实时评价；

步骤S25、实时保存训练模型和数据，并根据最终迭代结果画图。

4.根据权利要求1所述的基于改进的dice损失函数的视频图像失真效应模型构建方法，其特征在于，所述步骤S3具体实现如下：

步骤S31、引入步骤S2训练的模型构建测试网络程序；

步骤S32、将利用H.265的编码器HM16.9编码的视频导入测试网络程序，让训练好的模型自动进行识别检测；

步骤S33、将检测视频的结果以0和1的识别值输出，检测视频图像编码过程是否存在失真效应。