[发明专利]基于元学习个性化图像信息评价方法、信息数据处理终端在审
申请号: | 201910824591.7 | 申请日: | 2019-09-02 |
公开(公告)号: | CN110689523A | 公开(公告)日: | 2020-01-14 |
发明(设计)人: | 李雷达;祝汉城;吴金建;石光明 | 申请(专利权)人: | 西安电子科技大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06N3/08;G06N3/04;G06K9/62;G06Q10/06 |
代理公司: | 61227 西安长和专利代理有限公司 | 代理人: | 李霞 |
地址: | 710071 陕西省*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 美学 个性化图像 个体用户 学习 训练样本 有效地 个性化 个性化图像信息 计算机视觉技术 信息数据处理 先验 测试样本 泛化性能 经验知识 梯度优化 图像处理 网络结构 网络模型 学习训练 查询集 元模型 两级 捕获 迁移 终端 图像 主流 | ||
1.一种基于元学习个性化图像信息评价方法,其特征在于,所述基于元学习个性化图像信息评价方法包括以下步骤:
第一步,搜集包含大量个体用户美学打分的图像美学数据集;
第二步,把每个用户的美学评价任务的训练数据分成支持集和查询集,并对图像数据进行预处理;
第三步,构建深度卷积神经网络作为待训练的图像美学评价模型;
第四步,将预处理后的图像数据和美学分数输入到第三步中构建的网络模型中进行元学习方式训练,训练得到美学先验元模型;
第五步,搜集待测试用户对图像的个性化美学打分数据,利用预处理后的图像以及用户的美学打分对第四步获取得到的美学先验元模型进行微调训练得到符合测试用户的个性化图像美学评价模型;
第六步,对于待测试美学图像,利用已建立的个性化图像美学评价模型,自动实现个体对图像的个性化美学评价。
2.如权利要求1所述的基于元学习个性化图像信息评价方法,其特征在于,所述第一步中搜集包含大量个体用户美学打分的图像美学数据集方法包括:
(1)搜集专业的图像美学数据集,获取图像以及用户对图像的美学打分数据,并把所有的美学分数归一化到[0,1];
(2)以个体用户为研究目标,把每个用户对图像的美学评价看成独立的子任务。
3.如权利要求1所述的基于元学习个性化图像信息评价方法,其特征在于,所述第二步中把每个用户的美学评价任务的训练数据分成支持集和查询集,并对图像数据进行预处理方法包括:
(1)把每个用户的个性化美学评价数据按照8:2的比例分成支持集和查询集;
(2)把图像的尺寸缩放到预定尺寸大小,预定尺寸与构建的深度卷积神经网络所要求的输入尺寸一致;
(3)将图像数据进行归一化操作,统计训练数据中样本图像的均值,对所有的样本图像进行去均值操作,得到预处理后的图像。
4.如权利要求1所述的基于元学习个性化图像信息评价方法,其特征在于,所述第三步中构建深度卷积神经网络作为待训练的图像美学评价模型方法包括:
(1)构建的深度卷积神经网络由基础网络模型、两个全连接层和一个输出层组成;
(2)其中基础网络模型去掉全连接层的ResNet18卷积网络部分;
(3)两个全连接层分别由1024个和512个节点组成;
(4)输出层为用户对图像美学评价的预测结果,采用Sigmoid激活函数作为输出层的激活函数。
5.如权利要求1所述的基于元学习个性化图像信息评价方法,其特征在于,所述第四步中将预处理后的图像数据和美学分数输入到构建的网络模型中进行元学习方式进行训练,训练得到美学先验元模型方法包括:
(1)以每个用户的图像美学评价任务看成训练目标,把支持集和查询集的图像数据分别输入构建的网络模型进行预测,网络模型参数来自预训练网络;
(2)元学习训练方式为两级梯度优化方法,首先利用美学任务中支持集的图像数据对网络模型参数进行更新,然后利用更新后的网络模型对查询集的图像进行二次梯度更新;
(3)利用训练数据中大量用户的图像美学评价任务对网络模型参数进行训练得到美学先验元模型;
(4)网络模型训练采用随机梯度下降法SGD进行参数优化,损失函数公式如下:
其中,yn和分别为用户对图像的美学评分的真实结果和预测结果,N为所有训练用户进行美学打分的图像数量;通过梯度优化方法对网络模型参数进行训练,直至计算的损失函数结果小于阈值为止,最终得到图像的美学先验元模型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安电子科技大学,未经西安电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910824591.7/1.html,转载请声明来源钻瓜专利网。