[发明专利]图片筛选方法、系统、设备及存储介质

说明书

本发明提供了一种图片筛选方法、系统、设备及存储介质，所述方法包括步骤：获取待测图片；利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；根据所述第一质量分值对所述待测图片进行筛选；本申请减小模型大小，提高了模型训练效率和运算速度，有利于提高图片筛选的效率。

技术领域

本发明涉及计算机技术领域，具体地说，涉及一种图片筛选方法、系统、设备及存储介质。

背景技术

在人脸识别系统中，比如当对人脸进行比对时，可能需要采集目标用户的大量人脸图像，然后将采集的人脸图像和数据库中预存的该目标用户的人脸数据进行比对。由于上述人脸图像的数量级可能是非常大的，比如有10万张。而在这些人脸图像中可能存在部分质量较差的照片，识别精度比较低，这就导致如果仍然对这些低质量的照片进行识别的话，将会导致比对效率低下，并且还占用了系统资源。

现有技术中，通常单独采用多任务网络模型或者单任务网络模型对照片质量进行判断。如果仅采用单任务网络模型判断，那么就需要人工标注训练集的质量分值，存在两方面的缺点：1、人工标注效率低，极大影响模型训练效率；2、照片质量需要从多个维度进行考量，人工标注会容易受主观因素影响，使得标注数据不够准确、客观。如果仅采用多任务网络模型进行判断，那么存在模型较大，运算速度低的问题。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种图片筛选方法、系统、设备及存储介质，简化了网络模型，提高了模型训练效率和运算速度，从而提高图片筛选比对的效率。

为实现上述目的，本发明提供了一种图片筛选方法，所述方法包括以下步骤：

获取待测图片；

利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；

根据所述第一质量分值对所述待测图片进行筛选。

优选地，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，包括：

利用目标多任务网络模型，计算每一第二样本图像对应的第二质量分值；

基于所述第二样本图像和第二质量分值，对预设单任务网络模型进行训练，得到目标单任务网络模型。

优选地，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的，包括：

获取第一样本图像及每一所述第一样本图像在至少一预设属性类下的标签值；

获取多个第一标签文件，每一所述第一标签文件包含所述第一样本图像及其在一预设属性类下的标签值；

基于卷积神经网络构建预设多任务网络模型；

基于所述第一样本图像和所述第一标签文件，对所述预设多任务网络模型进行训练，得到目标多任务网络模型。

优选地，所述利用目标多任务网络模型，计算每一第二样本图像对应的第二质量分值，包括：

利用目标多任务网络模型，计算每一第二样本图像分别在各个预设属性类下的概率值；

基于所述每一第二样本图像分别在各个预设属性类下的概率值，计算每一第二样本图像对应的第二质量分值。

优选地，所述基于所述第二样本图像和第二质量分值，对预设单任务网络模型进行训练，得到目标单任务网络模型，包括：