CN113111953B - 一种投影画质处理装置 - Google Patents

一种投影画质处理装置 Download PDF

Info

Publication number
CN113111953B
CN113111953B CN202110426033.2A CN202110426033A CN113111953B CN 113111953 B CN113111953 B CN 113111953B CN 202110426033 A CN202110426033 A CN 202110426033A CN 113111953 B CN113111953 B CN 113111953B
Authority
CN
China
Prior art keywords
projection image
image quality
preset
hash
representation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110426033.2A
Other languages
English (en)
Other versions
CN113111953A (zh
Inventor
洪坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Luckystar Technology Co ltd
Original Assignee
Shenzhen Luckystar Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Luckystar Technology Co ltd filed Critical Shenzhen Luckystar Technology Co ltd
Priority to CN202110426033.2A priority Critical patent/CN113111953B/zh
Publication of CN113111953A publication Critical patent/CN113111953A/zh
Application granted granted Critical
Publication of CN113111953B publication Critical patent/CN113111953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种投影画质处理方法、装置、设备及可读存储介质，所述投影画质处理方法包括：获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。本申请解决了投影画质处理的准确性低的技术问题。

Description

一种投影画质处理装置
技术领域
本申请涉及人工智能领域，尤其涉及一种投影画质处理方法、装置、设备及可读存储介质。
背景技术
随着计算机软件和人工智能的不断发展，人工智能的应用也越来越广泛，在进行投影画质处理时，通常通过常规的卷积神经网络识别投影图像是否存在画质问题，但是，由于在基于神经网络提取投影图像的图像特征时，通常会对投影图像进行降维，而在降维过程中又通常会存在图像信息丢失的情况，进而当投影图像携带的投影图像特征信息较少，将导致基于投影图像进行投影画质处理的准确性较低。
发明内容
本申请的主要目的在于提供一种投影画质处理方法、装置、设备及可读存储介质，旨在解决现有技术中投影画质处理的准确性低的技术问题。
为实现上述目的，本申请提供一种投影画质处理方法，所述投影画质处理方法应用于投影画质处理方法设备，所述投影画质处理方法包括：
获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；
基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；
基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。
本申请还提供一种投影画质处理方法装置，所述投影画质处理方法装置为虚拟装置，且所述投影画质处理方法装置应用于投影画质处理方法设备，所述投影画质处理方法装置包括：
特征提取模块，用于获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；
分类模块，用于基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；
画质调整模块，用于基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。
本申请还提供一种投影画质处理方法设备，所述投影画质处理方法设备为实体设备，所述投影画质处理方法设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述投影画质处理方法的程序，所述投影画质处理方法的程序被处理器执行时可实现如上述的投影画质处理方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现投影画质处理方法的程序，所述投影画质处理方法的程序被处理器执行时实现如上述的投影画质处理方法的步骤。
本申请提供了一种投影画质处理方法、装置、设备及可读存储介质，相比于现有技术采用的通过常规的卷积神经网络识别投影图像是否存在画质问题以进行投影画质处理的技术手段，本申请首先获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的，进而投影图像表征将会靠近正例图像样本对应的表征，并远离负例图像样本对应的表征，使得目标声音表征与正例图像样本对应的表征的相似度较高，而与负例图像样本对应的表征的相似度较低，进而实现了生成包具备图像分类特征信息的投影图像表征的目的，进而基于所述投影图像表征和预设投影画质问题分类模型，对所述投影图像进行投影画质问题分类，即可实现基于蕴含特征信息更多的投影图像表征进行分类的目的，为对所述投影图像进行投影画质问题分类提供了更多的决策依据，进而生成准确性更高的投影画质问题分类结果，进而基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像，即可克服现有技术中由于在基于神经网络提取投影图像的图像特征时，通常会对投影图像进行降维，而在降维过程中又通常会存在图像信息丢失的情况，进而当投影图像携带的投影图像特征信息较少，将导致基于投影图像进行投影画质处理的准确性较低的技术缺陷，进而提升了投影画质处理的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请投影画质处理方法第一实施例的流程示意图；
图2为本申请投影画质处理方法第二实施例的流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种投影画质处理方法，在本申请投影画质处理方法的第一实施例中，参照图1，所述投影画质处理方法包括：
步骤S10，获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；
在本实施例中，需要说明的是，所述特征提取模型为基于预设正例样本集和预设负例样本集进行对比学习构建的机器学习模型，其中，所述对比学习为基于训练样本、训练样本的正例和训练样本的负例进行对比的模型构建方式，用于拉近样本的样本表征与样本的正例的样本表征之间的距离，拉远样本的样本表征与样本的负例的样本表征之间的距离，其中，所述预设正例样本集至少包括一预设正例投影图像样本，其中，所述预设正例投影图像样本为属于正例样本的投影图像样本，例如无画质问题的投影图像等，所述预设负例样本集为属于负例样本的投影图像样本，例如颜色偏暗的投影图像或者清晰度偏低的投影图像等，所述特征提取模型用于对投影图像样本进行特征提取，以将投影图像样本对应的投影图像表示矩阵转化为样本表征，其中，所述投影图像表示矩阵为表示投影图像样本的图像特征的高维矩阵，其中，所述样本表征为唯一表示投影图像样本的低维编码矩阵或者低维编码向量，其中，所述投影图像样本的样本表征的维数小于投影图像样本的投影图像表示矩阵的维数。
获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的，具体地，获取待处理投影图像，并将所述待处理投影图像对应的投影图像表示矩阵输入所述特征提取模型，对所述待处理投影图像对应的投影图像表示矩阵进行预设次数的卷积和池化交替处理，以将所述待处理投影图像对应的投影图像表示矩阵映射至预设样本表征空间，获得投影图像表征，其中，所述预设样本表征空间可以为预设维数的向量空间或者矩阵空间，所述特征提取模型是基于所述预设正例样本集中提取的正例样本和所述预设负例样本集中提取的负例样本进行对比学习构建的。
步骤S20，基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；
在本实施例中，需要说明的是，所述预设投影画质问题分类模型为用于对所述待处理投影图像进行投影画质问题分类的机器学习模型。
基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果，具体地，通过将所述投影图像表征输入所述预设投影画质问题分类模型，将所述投影图像表征映射为投影画质问题分类标签，其中，所述投影画质问题分类标签为投影画质问题的类别的标签，其中，所述投影画质问题的类别可以为投影亮度偏低、投影清晰度偏低以及投影中存在黑点等，进而依据所述投影画质问题分类标签与投影画质问题类别之间的映射关系，确定所述待处理投影图像对应的投影图像画质问题类别，并将所述投影图像画质问题类别作为所述投影画质问题分类结果。
其中，所述基于所述投影图像表征和预设投影画质问题分类模型，对所述投影图像进行投影画质问题分类，获得图像画质问题分类结果的步骤包括：
步骤S21，基于所述预设投影画质问题分类模型，对所述投影图像表征进行哈希编码，获得所述投影图像表征对应的哈希编码值；
在本实施例中，需要说明的是，所述哈希编码模型包括深度极化网络，其中，所述深度极化网络为基于预设投影图像样本类别信息和极化损失函数优化的深度学习模型，且对属于同一样本类别的输入样本，所述哈希编码模型均能输出相同的极化哈希向量，所述极化损失函数为用于优化所述深度极化网络的损失函数。
另外地，需要说明的是，所述深度极化网络包括隐藏层和哈希层，其中，所述隐藏层为所述深度极化网络的数据处理层，用于进行卷积处理和池化处理等数据处理过程，且所述隐藏层为基于深度学习训练好的一层或者多层神经网络，所述哈希层为所述深度极化网络的输出层，用于进行极化哈希，并输出对应的哈希结果，且所述哈希层为基于深度学习训练好的一层或者多层神经网络。
基于所述预设投影画质问题分类模型，对所述投影图像表征进行哈希编码，获得所述投影图像表征对应的哈希编码值，具体地，基于所述隐藏层，对所述投影图像表征进行数据处理，以提取所述投影图像表征中的投影画质问题类别特征，获得所述投影图像表征对应的类别特征表示矩阵，其中，所述类别特征表示矩阵为所述投影图像表征中类别特征信息的矩阵表示形式，进而将所述类别特征表示矩阵输入所述哈希层，对所述类别特征表示矩阵进行全连接，获得全连接向量，并对所述全连接向量进行极化，获得所述全连接向量对应的极化哈希向量，进而基于所述极化哈希向量中各特征值，对所述极化哈希向量进行编码，获得哈希编码值。
其中，所述预设投影画质问题分类模型包括哈希层，
所述基于所述预设投影画质问题分类模型，对所述投影图像表征进行哈希编码，获得所述投影图像表征对应的哈希编码值的步骤包括：
步骤S211，将所述投影图像表征输入所述哈希层，对所述投影图像表征进行极化哈希，获得极化哈希结果；
在本实施例中，将所述投影图像表征输入所述哈希层，对所述投影图像表征进行极化哈希，获得极化哈希结果，具体地，对所述投影图像表征进行类别特征提取，获得类别特征表示矩阵，进而对所述类别特征表示矩阵进行全连接，获得全连接向量，进而为所述全连接向量中各特定比特位匹配极化输出通道，其中，所述特定比特位为全连接向量中预设特征值取值范围内的特征值所属的比特位，例如，设置预设特征值取值范围为(-1，1)，则处于(-1，1)范围内的所有特征值所处的比特位均为特定比特位，进而基于各所述极化输出通道对应的极化参数，分别对各所述极化输出通道对应的特定比特位上的特征值进行极化，以使得不大于预设特征值取值范围的下阈值的特征值从负方向远离0，使得不小于所述预设特征值取值范围的上阈值的特征值从正方向远离0，进而获得各特定比特位上的特征值对应的极化特征值，并直接输出各所述非特定比特位上的特征值，获得各所述非特定比特位对应的非极化特征值，进而基于各所述极化特征值和各所述非极化特征值在所述全连接向量中的位置顺序，生成各所述极化特征值和各所述非极化特征值共同对应的极化哈希向量，并将所述极化哈希向量作为所述极化哈希结果，其中，优选地，所述预设特征值取值范围可设置为关于0值对称的取值范围，例如，假设预设特征值取值范围为(-0.5，0.5)，所述全连接向量为(-0.8，0.05，-0.05，1.2)，则进行特定比特位的极化后，所述全连接向量对应的极化哈希向量为(-1.1，0，0，2)。
步骤S212，基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值。
在本实施例中，需要说明的是，预设哈希编码方式包括二值哈希编码方式和三值哈希编码方式，所述极化哈希结果为极化哈希向量，也即极化后的全连接向量。
基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值，具体地，基于预设哈希编码方式，将所述极化哈希结果中各比特位上的目标特征值转化为对应的哈希值，获得所述极化哈希结果对应的哈希编码值。
其中，所述极化哈希结果包括极化哈希向量，所述哈希编码值至少包括二值哈希编码和三值哈希编码中的一种，
所述基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值的步骤包括：
步骤A10，基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码值；
在本实施例中，基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码值，具体地，基于所述极化哈希结果中各比特位上的目标特征值的正负符号，将所述极化哈希向量中大于0的目标特征值转换为预设第一类型二值哈希值，以及将所述极化哈希向量小于0的目标特征值转化为预设第二类型二值哈希值，获得二值哈希编码值，其中，优选地，所述预设第一类型二值哈希值设置为1，所述预设第二类型二值哈希值设置为0。
步骤B10，基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码值。
在本实施例中，基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码值，具体地，将所述极化哈希向量中大小大于预设特征值取值范围的上阈值的目标特征值转换为预设第一类型三值哈希值，并将所述极化哈希向量中大小小于预设特征值取值范围的下阈值的目标特征值转换为预设第二类型三值哈希值，并将所述极化哈希向量中大小不小于预设特征值取值范围的下阈值且不大于预设特征值取值范围的上阈值的目标特征值转换为预设第三类型三值哈希值，进而获得三值哈希编码值，优选地，所述预设第一类型三值哈希值可设置为1，预设第二类型三值哈希值可设置为-1，预设第三类型三值哈希值可设置为0。
步骤S22，基于所述哈希编码值与各预设哈希编码值，生成所述投影画质问题分类结果。
在本实施例中，需要说明的是，所述预设哈希编码值为预先设置好的投影图像样本对应的样本表征的类别对应的哈希编码值，用于唯一标识投影图像样本对应的投影画质问题类别，例如哈希编码值为111111，则标识投影图像样本对应的投影画质问题类别为亮度问题，哈希编码值000001，则标识投影图像样本对应的投影画质问题类别为清晰度问题等。
基于所述哈希编码值与各预设哈希编码值，生成所述投影画质问题分类结果，具体地，通过计算所述输出哈希编码值与各预设哈希编码值之间的汉明距离，在各所述预设哈希编码值中确定与所述输出哈希编码值的汉明距离最小的目标哈希编码值，进而确定所述目标哈希编码对应的投影画质问题类别，并将所述投影画质问题类别作为所述投影画质问题分类结果。
其中，所述基于所述哈希编码值与各预设哈希编码值，生成所述投影画质问题分类结果的步骤包括：
步骤S221，计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离；
在本实施例中，计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离，具体地，将所述哈希编码值与各所述预设哈希编码值之间进行比对，以分别所述哈希编码值与各所述预设哈希编码值之间相异比特位对的数量，其中，所述相异比特位对为比特位上数值不同的两个比特位之间的组合，例如，比特位A上的数值为1，比特位B上的数值为0，则比特位A与比特位B共同组成一相异比特位对，进而将所述相异比特位对的数量作为所述汉明距离，例如，假设哈希编码值为1100，预设哈希编码值为1101，则哈希编码值与预设哈希编码值之间存在一相异比特位对，进而所述汉明距离为1。
步骤S222，基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值；
在本实施例中，基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值，具体地，在各所述汉明距离中选取最小汉明距离，并将所述最小汉明距离对应的预设哈希编码作为所述目标哈希编码值。
步骤S223，将所述目标哈希编码值对应的投影画质问题类别作为所述投影画质问题分类结果。
在本实施例中，将所述目标哈希编码值对应的投影画质问题类别作为所述投影画质问题分类结果，具体地，基于预设哈希编码值与投影画质问题类别之间的映射关系，将确定的所述目标哈希编码值对应的投影画质问题类别作为所述投影画质问题分类结果。
另外地，需要说明的是，所述哈希编码模型为基于极化损失函数和预设哈希编码值进行优化的模型，其中，所述预设哈希编码值为预设投影图像样本类别信息，在一种可实施的方式中，所述极化损失函数如下：
L(v，t^c)＝max(m-v*t^c，0)
其中，L为所述极化损失函数，m为预设强制极化参数，v为所述训练样本对应的极化哈希向量中每一比特位上的数值，且v的绝对值大于m，t^c为训练样本对应的极化哈希向量的比特位对应的目标哈希值，所述目标哈希值为训练样本对应的预设哈希编码值上的比特位数值，且t^c＝{-1,+1}，且所述预设极化损失函数收敛于0，例如，假设m为1，t^c为1，v为-1，此时，L＝2，若要使得预设极化损失函数收敛于0，则需要对v进行强制极化，使得v为1，此时L＝0，进而当t^c等于1时，所述训练样本对应的极化哈希向量的比特位上的数值将朝正方向逐渐远离0，当t^c等于-1时，所述训练样本对应的极化哈希向量比特位上的数值将朝负方向逐渐远离0，进而在极化成功后，获得的训练样本对应的极化哈希向量中每一比特位的极化标识应与对应的目标哈希值一致，其中，所述极化标识包括比特位数值的大小取值范围和比特位数值的正负符号，也即，训练样本对应的极化哈希向量中每一比特位的比特位数值应与对应的目标哈希值的正负符号一致或者特征值取值范围一致，进一步地，由于同一样本类别的预设哈希编码值相同，所以属于同一样本类别的各训练样本对应的极化哈希向量中每一比特位上的极化标识一致，进而基于各极化标识，获得的哈希编码值一致，也即，对于属于同一样本类别的投影图像输入样本，基于哈希编码模型可输出相同的哈希编码值。
步骤S30，基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。
在本实施例中，需要说明的是，所述投影画质问题分类结果包括投影画质分类向量，所述投影画质分类向量为表示待处理投影图像的投影画质的向量，其中，所述投影画质问题分类结果至少包括一投影画质标签值，其中，所述投影画质标签值在所述投影画质分类向量的排列位置表示所述投影画质标签值对应的投影画质类别，所述投影画质标签值的数值大小表示投影画质的好坏，例如，将所述投影画质分类向量为(1，2)，其中，1表示投影的清晰度等级为1，2表示投影的亮度等级为2。
基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像，具体地，基于所述投影画质分类向量中各投影画质标签值，确定所述待处理投影图像对应的各预设投影画质类别对应的投影画质等级，其中，所述预设投影画质类别可以为清晰度类别、分辨率类别、黑点类别和亮度类别等，进而通过将各所述投影画质等级与预设投影画质等级进行比对，生成投影画质调整策略，进而依据所述投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。
在另一实施方式中，所述投影画质问题分类结果包括投影画质问题类别，所述步骤S30还包括：
基于投影画质问题类别与投影画质调整策略之间的映射关系，确定所述待处理投影图像对应的投影画质问题类别对应的投影画质调整策略，并依据所述投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。
本申请实施例提供了一种投影画质处理方法，相比于现有技术采用的通过常规的卷积神经网络识别投影图像是否存在画质问题以进行投影画质处理的技术手段，本申请实施例首先获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的，进而投影图像表征将会靠近正例图像样本对应的表征，并远离负例图像样本对应的表征，使得目标声音表征与正例图像样本对应的表征的相似度较高，而与负例图像样本对应的表征的相似度较低，进而实现了生成包具备图像分类特征信息的投影图像表征的目的，进而基于所述投影图像表征和预设投影画质问题分类模型，对所述投影图像进行投影画质问题分类，即可实现基于蕴含特征信息更多的投影图像表征进行分类的目的，为对所述投影图像进行投影画质问题分类提供了更多的决策依据，进而生成准确性更高的投影画质问题分类结果，进而基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像，即可克服现有技术中由于在基于神经网络提取投影图像的图像特征时，通常会对投影图像进行降维，而在降维过程中又通常会存在图像信息丢失的情况，进而当投影图像携带的投影图像特征信息较少，将导致基于投影图像进行投影画质处理的准确性较低的技术缺陷，进而提升了投影画质处理的准确性。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，在所述基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的的步骤之前，所述投影画质处理方法还包括：
步骤C10，获取待训练特征提取模型，并提取训练投影图像；
在本实施例中，需要说明的是，所述训练投影图像为用于构建特征提取模型的训练样本，所述待训练特征提取模型为未训练好的特征提取模型。
步骤C20，基于所述预设正例样本集和所述预设负例样本集，提取所述训练投影图像对应的第一对比投影图像以及对应的各第二对比投影图像；
在本实施例中，需要说明的是，所述预设正例样本集至少包括一正例样本，所述预设负例样本集至少包括一负例样本，其中，所述正例样本为与所述训练投影图像属于同一样本类别的样本。
基于所述预设正例样本集和所述预设负例样本集，提取所述训练投影图像对应的第一对比投影图像以及对应的各第二对比投影图像，具体地，在所述预设正例样本集随机提取一正例样本作为第一对比投影图像，并在所述预设负例样本集中随机提取预设数量的负例样本作为各第二对比投影图像。
步骤C30，基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，获得训练投影图像表征、第一对比投影图像表征和各第二对比投影图像表征；
在本实施例中，基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，获得训练投影图像表征、第一对比投影图像表征和各第二对比投影图像表征，具体地，基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，以分别将所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像映射至预设样本表征空间，获得所述训练投影图像对应的训练投影图像表征、所述第一对比投影图像对应的第一对比投影图像表征以及各所述第二对比投影图像对应的第二对比投影图像表征。
步骤C40，基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失；
在本实施例中，基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失，具体地，将所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征分别输入预设对比学习损失计算公式，计算所述待训练特征提取模型对应的对比学习损失，其中，所述对比学习计算公式如下:
Figure BDA0003029581510000121
其中，L为所述对比学习损失，uA为所述训练投影图像表征，uB为所述第一对比投影图像表征，
Figure BDA0003029581510000122
为所述第二对比投影图像表征，M为第二对比投影图像表征的数量，进而当第一对比投影图像表征与训练投影图像表征之间的距离足够小，而各第二对比投影图像表征与训练投影图像表征的距离足够大时，所述对比学习损失即可收敛，进而基于对比学习损失更新的特征提取模型即可具备拉近所述训练投影图像表征与作为正例的第一对比投影图像表征的距离，以及拉远训练投影图像表征与作为负例的第二对比投影图像表征的距离的能力，进而特征提取模型可基于不同样本类型(正例还是负例)的样本，生成不同的样本表征，使得生成的样本表征具备样本类别信息(正例类别信息或者负例类别信息)，提升了特征提取生成的样本表征所包含的信息量。
其中，在所述基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失的步骤之后，所述投影画质处理方法还包括：
步骤D10，将所述训练投影图像表征输入待训练投影画质问题分类模型，以对所述训练投影图像进行投影画质问题分类，获得投影画质问题类别标签；
在本实施例中，将所述训练投影图像表征输入待训练投影画质问题分类模型，以对所述训练投影图像进行投影画质问题分类，获得投影画质问题类别标签，具体地，将所述训练投影图像表征输入待训练投影画质问题分类模型，通过对所述训练投影图像表征进行数据处理，其中，所述数据处理包括但是不限定于卷积、池化和全连接等，将所述训练投影图像表征映射为投影画质问题类别标签，其中，所述投影画质问题类别标签为训练投影图像的样本类别的标识，所述预测类别标签可以用向量进行表示，例如，假设所述预测类别标签为(0，0，1)，则表示样本类别A。
步骤D20，基于所述训练投影图像对应的真实类别标签和所述投影画质问题类别标签，计算类别预测损失；
在本实施例中，需要说明的是，所述真实类别标签为训练投影图像对应的已知的真实投影图像类别的标识。
基于所述训练投影图像对应的真实类别标签和所述投影画质问题类别标签，计算类别预测损失，具体地，计算所述训练投影图像对应的真实类别标签和所述投影画质问题类别标签之间的差值，获得类别预测损失。
步骤D30，基于所述类别预测损失和所述对比学习损失，优化所述待训练投影画质问题分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述预设投影画质问题分类模型。
在本实施例中，基于所述类别预测损失和所述对比学习损失，优化所述待训练投影画质问题分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述预设投影画质问题分类模型，具体地，基于所述类别预测损失，计算所述待训练投影画质问题分类模型对应的第一模型更新梯度，以及所述待训练特征提取模型对应的第二模型更新梯度，并基于所述对比学习损失，计算所述待训练特征提取模型对应的第三模型更新梯度，进而基于所述第一模型更新梯度，更新所述待训练投影画质问题分类模型，并基于所述第二模型更新梯度和所述第三模型更新梯度，异步更新所述待训练特征提取模型，进而判断更新后的待训练投影画质问题分类模型与异步更新后的待训练特征提取模型是否均满足预设训练结束条件，若满足，则将所述待训练投影画质问题分类模型作为所述预设投影画质问题分类模型，并将所述待训练特征提取模型作为所述特征提取模型，若不满足，则返回所述提取训练声音样本的步骤，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
步骤C50，基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型。
在本实施例中，基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型，具体地，基于所述对比学习损失，计算所述待训练特征提取模型对应的模型更新梯度，进而依据所述模型更新梯度，更新所述待训练特征提取模型，若更新后的待训练特征提取模型满足预设迭代训练结束条件，则将所述待训练特征提取模型作为所述特征提取模型，若更新后的待训练特征提取模型不满足预设迭代训练结束条件，则返回所述获取待训练特征提取模型的步骤，其中，所述预设迭代训练结束条件包括损失收敛和达到最大迭代次数阈值等。
本申请实施例提供了所述特征提取模型的构建方法，也即，获取待训练特征提取模型，并提取训练投影图像，进而基于所述预设正例样本集和所述预设负例样本集，提取所述训练投影图像对应的第一对比投影图像以及对应的各第二对比投影图像，进而基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，获得训练投影图像表征、第一对比投影图像表征和各第二对比投影图像表征，进而基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失，进而基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型，其中，由于所述特征提取模型是基于预设正例样本集中的正例样本和预设负例样本集中的负例样本进行对比学习构建的，进而投影图像表征将会靠近正例样本对应的表征，并远离负例样本对应的表征，使得目标声音表征与正例样本对应的表征的相似度较高，而与负例样本对应的表征的相似度较低，进而实现了生成具备样本类别信息的投影图像表征的目的，进而基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，即可生成准确性更高的投影画质问题分类结果，进而基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，即可获得目标投影图像，为克服现有技术中由于在基于神经网络提取投影图像的图像特征时，通常会对投影图像进行降维，而在降维过程中又通常会存在图像信息丢失的情况，进而当投影图像携带的投影图像特征信息较少，将导致基于投影图像进行投影画质处理的准确性较低的技术缺陷奠定了基础。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该投影画质处理方法设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该投影画质处理方法设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的投影画质处理方法设备结构并不构成对投影画质处理方法设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及投影画质处理方法程序。操作***是管理和控制投影画质处理方法设备硬件和软件资源的程序，支持投影画质处理方法程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与投影画质处理方法***中其它硬件和软件之间通信。
在图3所示的投影画质处理方法设备中，处理器1001用于执行存储器1005中存储的投影画质处理方法程序，实现上述任一项所述的投影画质处理方法的步骤。
本申请投影画质处理方法设备具体实施方式与上述投影画质处理方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种投影画质处理方法装置，所述投影画质处理方法装置应用于投影画质处理方法设备，所述投影画质处理方法装置包括：
特征提取模块，用于获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；
分类模块，用于基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；
画质调整模块，用于基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像。
可选地，所述分类模块还用于：
基于所述预设投影画质问题分类模型，对所述投影图像表征进行哈希编码，获得所述投影图像表征对应的哈希编码值；
基于所述哈希编码值与各预设哈希编码值，生成所述投影画质问题分类结果。
可选地，所述分类模块还用于：
计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离；
基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值；
将所述目标哈希编码值对应的投影画质问题类别作为所述投影画质问题分类结果。
可选地，所述分类模块还用于：
将所述投影图像表征输入所述哈希层，对所述投影图像表征进行极化哈希，获得极化哈希结果；
基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值。
可选地，所述分类模块还用于：
基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码值；和/或
基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码值。
可选地，所述投影画质处理装置还用于：
获取待训练特征提取模型，并提取训练投影图像；
基于所述预设正例样本集和所述预设负例样本集，提取所述训练投影图像对应的第一对比投影图像以及对应的各第二对比投影图像；
基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，获得训练投影图像表征、第一对比投影图像表征和各第二对比投影图像表征；
基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型。
可选地，所述投影画质处理装置还用于：
将所述训练投影图像表征输入待训练投影画质问题分类模型，以对所述训练投影图像进行投影画质问题分类，获得投影画质问题类别标签；
基于所述训练投影图像对应的真实类别标签和所述投影画质问题类别标签，计算类别预测损失；
基于所述类别预测损失和所述对比学习损失，优化所述待训练投影画质问题分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述预设投影画质问题分类模型。
本申请投影画质处理方法装置的具体实施方式与上述投影画质处理方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的投影画质处理方法的步骤。
本申请可读存储介质具体实施方式与上述投影画质处理方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (8)

1.一种投影画质处理方法，其特征在于，所述投影画质处理方法包括：
获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；
基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；
基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像；
在所述基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的的步骤之前，所述投影画质处理方法还包括：
获取待训练特征提取模型，并提取训练投影图像；
基于所述预设正例样本集和所述预设负例样本集，提取所述训练投影图像对应的第一对比投影图像以及对应的各第二对比投影图像；
基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，获得训练投影图像表征、第一对比投影图像表征和各第二对比投影图像表征；
基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型；
在所述基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失的步骤之后，所述投影画质处理方法还包括：
将所述训练投影图像表征输入待训练投影画质问题分类模型，以对所述训练投影图像进行投影画质问题分类，获得投影画质问题类别标签；
基于所述训练投影图像对应的真实类别标签和所述投影画质问题类别标签，计算类别预测损失；
基于所述类别预测损失和所述对比学习损失，优化所述待训练投影画质问题分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述预设投影画质问题分类模型。
2.如权利要求1所述投影画质处理方法，其特征在于，所述基于所述投影图像表征和预设投影画质问题分类模型，对所述投影图像进行投影画质问题分类，获得图像画质问题分类结果的步骤包括：
基于所述预设投影画质问题分类模型，对所述投影图像表征进行哈希编码，获得所述投影图像表征对应的哈希编码值；
基于所述哈希编码值与各预设哈希编码值，生成所述投影画质问题分类结果。
3.如权利要求2所述投影画质处理方法，其特征在于，所述基于所述哈希编码值与各预设哈希编码值，生成所述投影画质问题分类结果的步骤包括：
计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离；
基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值；
将所述目标哈希编码值对应的投影画质问题类别作为所述投影画质问题分类结果。
4.如权利要求2所述投影画质处理方法，其特征在于，所述预设投影画质问题分类模型包括哈希层，
所述基于所述预设投影画质问题分类模型，对所述投影图像表征进行哈希编码，获得所述投影图像表征对应的哈希编码值的步骤包括：
将所述投影图像表征输入所述哈希层，对所述投影图像表征进行极化哈希，获得极化哈希结果；
基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值。
5.如权利要求4所述投影画质处理方法，其特征在于，所述极化哈希结果包括极化哈希向量，所述哈希编码值至少包括二值哈希编码和三值哈希编码中的一种，
所述基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值的步骤包括：
基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码值；和/或
基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码值。
6.一种投影画质处理装置，其特征在于，所述投影画质处理装置包括：
特征提取模块，用于获取待处理投影图像，并基于特征提取模型，对所述投影图像进行特征提取，获得所述投影图像对应的投影图像表征，其中，所述特征提取模型是基于预设正例样本集和预设负例样本集进行对比学习构建的；
分类模块，用于基于所述投影图像表征和预设投影画质问题分类模型，对所述待处理投影图像进行投影画质问题分类，获得投影画质问题分类结果；
画质调整模块，用于基于所述图像画质问题分类结果对应的投影画质调整策略，调整所述待处理投影图像的投影画质，获得目标投影图像；
所述投影画质处理装置还用于：
获取待训练特征提取模型，并提取训练投影图像；
基于所述预设正例样本集和所述预设负例样本集，提取所述训练投影图像对应的第一对比投影图像以及对应的各第二对比投影图像；
基于所述待训练特征提取模型，分别对所述训练投影图像、所述第一对比投影图像以及各所述第二对比投影图像进行特征提取，获得训练投影图像表征、第一对比投影图像表征和各第二对比投影图像表征；
基于所述训练投影图像表征、所述第一对比投影图像表征和各所述第二对比投影图像表征，计算所述待训练特征提取模型对应的对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型；
所述投影画质处理装置还用于：
将所述训练投影图像表征输入待训练投影画质问题分类模型，以对所述训练投影图像进行投影画质问题分类，获得投影画质问题类别标签；
基于所述训练投影图像对应的真实类别标签和所述投影画质问题类别标签，计算类别预测损失；
基于所述类别预测损失和所述对比学习损失，优化所述待训练投影画质问题分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述预设投影画质问题分类模型。
7.一种投影画质处理方法设备，其特征在于，所述投影画质处理方法设备包括：存储器、处理器以及存储在存储器上的用于实现所述投影画质处理方法的程序，
所述存储器用于存储实现投影画质处理方法的程序；
所述处理器用于执行实现所述投影画质处理方法的程序，以实现如权利要求1至5中任一项所述投影画质处理方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现投影画质处理方法的程序，所述实现投影画质处理方法的程序被处理器执行以实现如权利要求1至5中任一项所述投影画质处理方法的步骤。
CN202110426033.2A 2021-04-20 2021-04-20 一种投影画质处理装置 Active CN113111953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110426033.2A CN113111953B (zh) 2021-04-20 2021-04-20 一种投影画质处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110426033.2A CN113111953B (zh) 2021-04-20 2021-04-20 一种投影画质处理装置

Publications (2)

Publication Number Publication Date
CN113111953A CN113111953A (zh) 2021-07-13
CN113111953B true CN113111953B (zh) 2022-08-26

Family

ID=76718935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110426033.2A Active CN113111953B (zh) 2021-04-20 2021-04-20 一种投影画质处理装置

Country Status (1)

Country Link
CN (1) CN113111953B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918532A (zh) * 2019-03-08 2019-06-21 苏州大学 图像检索方法、装置、设备及计算机可读存储介质
CN111612080A (zh) * 2020-05-22 2020-09-01 深圳前海微众银行股份有限公司 模型解释方法、设备及可读存储介质
CN112214570A (zh) * 2020-09-23 2021-01-12 浙江工业大学 一种基于对抗投影学习哈希的跨模态检索方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677713A (zh) * 2015-10-15 2016-06-15 浙江健培慧康医疗科技股份有限公司 一种位置无关的病状快速检测及识别方法
CN107092661A (zh) * 2017-03-28 2017-08-25 桂林明辉信息科技有限公司 一种基于深度卷积神经网络的图像检索方法
CN109711422B (zh) * 2017-10-26 2023-06-30 北京邮电大学 图像数据处理、模型的建立方法、装置、计算机设备和存储介质
CN108846340B (zh) * 2018-06-05 2023-07-25 腾讯科技（深圳）有限公司 人脸识别方法、装置及分类模型训练方法、装置、存储介质和计算机设备
CN110490794A (zh) * 2019-08-09 2019-11-22 三星电子（中国）研发中心 基于人工智能的人物图像处理方法及装置
CN111163349B (zh) * 2020-02-20 2021-03-02 腾讯科技（深圳）有限公司 一种画质参数调校方法、装置、设备及可读存储介质
CN111626408B (zh) * 2020-05-22 2021-08-06 深圳前海微众银行股份有限公司 哈希编码方法、装置、设备及可读存储介质
CN111612159A (zh) * 2020-05-22 2020-09-01 深圳前海微众银行股份有限公司 特征重要性测量方法、设备及可读存储介质
CN111612079B (zh) * 2020-05-22 2021-07-20 深圳前海微众银行股份有限公司 数据确权方法、设备及可读存储介质
CN111988614B (zh) * 2020-08-14 2022-09-13 深圳前海微众银行股份有限公司 哈希编码优化方法、设备及可读存储介质
CN111967609B (zh) * 2020-08-14 2021-08-06 深圳前海微众银行股份有限公司 模型参数验证方法、设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918532A (zh) * 2019-03-08 2019-06-21 苏州大学 图像检索方法、装置、设备及计算机可读存储介质
CN111612080A (zh) * 2020-05-22 2020-09-01 深圳前海微众银行股份有限公司 模型解释方法、设备及可读存储介质
CN112214570A (zh) * 2020-09-23 2021-01-12 浙江工业大学 一种基于对抗投影学习哈希的跨模态检索方法及装置

Also Published As

Publication number Publication date
CN113111953A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN111444878B (zh) 一种视频分类方法、装置及计算机可读存储介质
WO2021036059A1 (zh) 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN108335306B (zh) 图像处理方法及装置、电子设备和存储介质
US11694085B2 (en) Optimizing supervised generative adversarial networks via latent space regularizations
CN111626408B (zh) 哈希编码方法、装置、设备及可读存储介质
US9025889B2 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN112966755A (zh) 电感缺陷检测方法、设备及可读存储介质
US20140286527A1 (en) Systems and methods for accelerated face detection
CN111988614B (zh) 哈希编码优化方法、设备及可读存储介质
WO2022236824A1 (zh) 目标检测网络构建优化方法、装置、设备、介质及产品
Barni et al. Forensics aided steganalysis of heterogeneous images
CN112584062B (zh) 背景音频构建方法及装置
CN114998595B (zh) 弱监督语义分割方法、语义分割方法及可读存储介质
CN112614110B (zh) 评估图像质量的方法、装置及终端设备
US20230289608A1 (en) Optimizing Supervised Generative Adversarial Networks via Latent Space Regularizations
CN116612280A (zh) 车辆分割方法、装置、计算机设备和计算机可读存储介质
US11887277B2 (en) Removing compression artifacts from digital images and videos utilizing generative machine-learning models
US9595113B2 (en) Image transmission system, image processing apparatus, image storage apparatus, and control methods thereof
CN116630630B (zh) 语义分割方法、装置、计算机设备及计算机可读存储介质
CN113902899A (zh) 训练方法、目标检测方法、装置、电子设备以及存储介质
CN113111953B (zh) 一种投影画质处理装置
CN111950712A (zh) 模型网络参数处理方法、设备及可读存储介质
CN112487927B (zh) 一种基于物体关联注意力的室内场景识别实现方法及***
CN109215057B (zh) 一种高性能视觉跟踪方法及装置
US20210183027A1 (en) Systems and methods for recognition of user-provided images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant