[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在审
| 申请号： | 201910405257.8 | 申请日： | 2019-05-16 |
| 公开（公告）号： | CN110032662A | 公开（公告）日： | 2019-07-19 |
| 发明（设计）人： | 林丽群;陈柏林 | 申请（专利权）人： | 福州大学 |
| 主分类号： | G06F16/75 | 分类号： | G06F16/75;G06N3/04;G06N3/08 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 蔡学俊;陈明鑫 |
| 地址： | 350108 福建省福*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于改进的dice损失函数的视频图像失真效应模型构建方法。首先，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；其次，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；最后，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。本发明方法较采用传统的损失函数训练模型相比，改进的损失函数在六种常见的视频图像失真效应数据集里识别检测的精度有所提高，优势明显。 | ||
| 搜索关键词： | 损失函数 视频图像 失真效应 模型构建 改进 卷积神经网络 函数改进 权重因子 训练模型 样本数据 传统的 数据集 分类 构建 失真 检测 预测 | ||
【主权项】：
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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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福州大学，未经福州大学许可，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/patent/201910405257.8/，转载请声明来源钻瓜专利网。
