CN111062930B 图像的选取方法、装置、存储介质和计算机设备 （腾讯科技（深圳）有限公司）

所述图像候选集中各个候选图像的美学质量分2确定所述业务内容所属的类别，根据所述业务内容所属的类别获根据所述美学质量模型获取所述图像候选集中各个候选图像的根据所述图像候选集中各个候选图像的美学质量分数选取目标图像根据所述样本图像以及所述样本图像的标注信息训练所述预训练模选取所述至少两个标注分数之间的差值在预设范围内的原始图像，作为所述样本图将所述样本图像以及所述样本图像的标注信息输入所述预训练模型根据所述预测分数概率分布信息与参考分数概率分布信息之间的差3述第二损失函数用于计算所述第二预测分数概率分布信息与所述参考分数概率分布信息所述根据所述预测分数概率分布信息与参考分数概率分布信息之根据所述第一损失函数计算得到第一损失信息，根据所述第二损失函根据所述第一损失信息、所述第二损失信息以及所述第三损失信息更所述第一损失函数采用散度方式衡量所述第一预测分数概率分布信息与所述参考分根据所述第一损失信息、所述第二损失信息以及所述第三所述根据所述图像候选集中各个候选图像的美学质量分数选取目标图确定模块，用于确定所述业务内容所属的类别，根据所述业务4所述获取模块，还用于根据所述美学质量模型获取所述图像候选集选取模块，用于根据所述图像候选集中各个候选图像的美学质量分数选取目标图像，算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述的方机可执行指令被处理器执行时，使得所述处理器执行权利要求1至12中任一项所述方法的5[0004]基于此，有必要针对在传统的图像的选取方式所选取的67联网平台进行展示或者提供给其他用户的内容；也可以是PUGC(ProfessionalUserGeneratedContent，专业用户生产内容)，是指将UGC和PGC相结合的内容；也可以是MCN8且多个卷积层的使用可以让卷积神经网络模型提取到的图像的特征[0047]假如前一层网络提取到的图像的美学特征的规模是192*28*28，即192个大小为是192*32*5*5+32个，即153632个参数。如果在5*5的卷轵核处理前面加上1*1的卷积核处9练好的卷积神经网络模型，图像数据集可以是ImageNet图像数据集、AVA(TheAestheticVisualAnalysisdataset)数据集、PN(PhotoNet)数据集、CUHK-PQ(TheCUHK-PhotoQuality)数据集等。预训练模型可以是基于ImageNet图像数据集训练好的Inception-v1、至少两个标注分数计算得到的该样本图像相对每个[0074]根据预测分数概率分布信息与参考分数概率分布信息之间的差异，计算损失信[0076]在一个实施例中，所述预测分数概率分布信息包括第一预测分数概率分布信息、损失函数用于计算所述第三预测分数概率分布信息与所述参考分数概率分布信息之间的在第九层后面再加上第十层的1*1卷积核的卷积操作得到样本图像的第三部分特征。在第[0082]三个损失函数可采用不同的损失计算方法，比如交叉熵(CrossEntropy)、JS(Jensen-Shannondivergence)散度、KL(Kullback-Leiblerdivergence)散度、EMD一损失函数可采用JS散度衡量预测分数概率分布信息与参考分数概率分布信息之间的差衡量预测分数概率分布信息与参考分数概率分布信息之间第二损失函数所在路径以及所述第三损失函数所在路径上的参数，得到所述美学质量模可以是可以是PGC(ProfessionalGeneratedContent，专业生产内容)、UGC(User和图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交注信息包括所述样本图像的标注类别以及所述样本图像的标注分数；所述训练模块1008，预测分数概率分布信息与参考分数概率分布信息之间的差异，更新所述预训练模型的参[0138]在一个实施例中，所述预测分数概率分布信息包括第一预测分数概率分布信息、损失函数用于计算所述第三预测分数概率分布信息与所述参考分数概率分布信息之间的述第二损失函数计算得到第二损失信息，根据所述第三损失函数计算得到第三损失信息；1中的终端。如图12所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理图像的选取方法的步骤可以是上述各个实施例的图像的(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM