[发明专利]显著性图像生成方法、装置及服务器

权利要求书

1.一种显著性图像生成方法，其特征在于，包括：

获得所有测试用户的遗忘度特征，并根据所述测试用户的遗忘度特征将所述测试用户分为多个群体；

获取清晰样本图像集以及每个群体的标注样本图像集，其中所述标注样本图像集与所述清晰样本图像集对应；

采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型；

获得目标用户的遗忘度特征，根据所述目标用户的遗忘度特征以及所述预测模型确定目标预测模型，并将目标图像输入所述目标预测模型中，以生成显著性图像；

其中，所述根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，包括：

根据所述测试用户的遗忘度特征将所述测试用户分为第一群体、第二群体以及第三群体，其中所述第一群体中的测试用户的遗忘度高、所述第二群体中的测试用户的遗忘度正常以及所述第三群体中的测试用户的遗忘度低。

2.根据权利要求1所述的方法，其特征在于，所述采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型，包括：

分别根据所述第一群体、所述第二群体以及所述第三群体的标注样本图像集以及清晰样本图像集获得第一训练集、第二训练集以及第三训练集，并采用神经网络模型分别对所述第一训练集、所述第二训练集以及所述第三训练集进行卷积神经网络训练，构建第一预测模型、第二预测模型以及第三预测模型；

其中所述卷积神经网络训练的步骤为：

构建卷积神经网络模型，并将所述清晰样本图像集输入所述卷积神经网络模型中进行迭代训练，获得显著性预测图集；

根据所述标注样本图像集与所述显著性预测图集确定损失函数集，并根据损失函数集中的最小损失函数确定预测模型。

3.根据权利要求1所述的方法，其特征在于，所述获取清晰样本图像集以及每个群体的标注样本图像集，包括：

获取清晰样本图像集，并将清晰样本图像集进行高斯模糊处理获得测试图像集；

根据不同群体的用户对所述测试图像集的标注数据获得不同群体的用户的标注样本图像集，其中所述标注数据为坐标数据。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述获得所有测试用户的遗忘度特征，包括：

获取所有测试用户的遗忘度测评数据；

根据所述遗忘度测评数据获得测试用户遗忘度特征，其中所述遗忘度测评数据包括：心理学量表测评数据、快速测试问卷测评数据以及自我测评数据中的至少一种。

5.一种显著性图像生成装置，其特征在于，包括：

获得模块，用于获得所有测试用户的遗忘度特征，并根据所述测试用户的遗忘度特征将所述测试用户分为多个群体，其中每个群体的遗忘度特征相同；

获取模块，用于获取清晰样本图像集以及每个群体的标注样本图像集，其中所述标注样本图像集与所述清晰样本图像集对应；

构建模块，用于采用神经网络模型分别所述每个群体的标注样本图像集以及所述清晰样本图像进行训练，构建每个群体的预测模型；

生成模块，用于获得目标用户的遗忘度特征，根据所述目标用户的遗忘度特征以及所述预测模型确定目标预测模型，并将目标图像输入所述目标预测模型中，以生成显著性图像；

其中，所述获得模块具体用于：

根据所述测试用户的遗忘度特征将所述测试用户分为第一群体、第二群体以及第三群体，其中所述第一群体中的测试用户的遗忘度高、所述第二群体中的测试用户的遗忘度正常以及所述第三群体中的测试用户的遗忘度低。

6.一种服务器，其特征在于，包括存储器和至少一个处理器；

所述存储器用于存储计算机执行指令；

至少一个处理器，用于执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至4任一项所述的显著性图像生成方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的显著性图像生成方法。