本公開涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別涉及一種圖像素材的質(zhì)量評(píng)估方法及裝置。

背景技術(shù)：

隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，互聯(lián)網(wǎng)已經(jīng)成為人們生活和工作中必不可少的一種信息傳播媒介。因此，很多廣告主會(huì)將自己產(chǎn)品的廣告投放到互聯(lián)網(wǎng)中。產(chǎn)品的廣告可以包括很多素材，例如文本素材、圖像素材以及聲音素材等。其中，廣告的圖像素材對(duì)廣告的點(diǎn)擊率有較大的影響，比較有吸引力的圖像能夠引導(dǎo)更多的人點(diǎn)擊廣告，增加廣告的點(diǎn)擊率。

目前，一些廣告主在投放某些產(chǎn)品的廣告時(shí)，為了了解該廣告的圖像素材對(duì)廣告點(diǎn)擊率的影響力，一般會(huì)人工根據(jù)經(jīng)驗(yàn)對(duì)該廣告的圖像素材進(jìn)行質(zhì)量的審核和評(píng)估，以確定該廣告的圖像素材的質(zhì)量。但是，由于人的主觀因素的影響，質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率較低，并且浪費(fèi)了大量的人力資源，降低了質(zhì)量評(píng)估的效率。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問題，本公開提供一種圖像素材的質(zhì)量評(píng)估方法及裝置。

根據(jù)本公開實(shí)施例的第一方面，提供一種圖像素材的質(zhì)量評(píng)估方法，包括：

獲取目標(biāo)廣告圖像素材；

將所述目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取所述目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

可選的，所述方法還包括：

獲取廣告圖像素材的樣本；

獲取所述廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別；

基于所述廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，以獲取所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

可選的，所述獲取所述廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別，包括：

獲取所述廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率；

獲取預(yù)先對(duì)點(diǎn)擊率設(shè)定的多個(gè)區(qū)間范圍的信息，每個(gè)所述區(qū)間范圍對(duì)應(yīng)一個(gè)質(zhì)量級(jí)別，并且對(duì)應(yīng)的點(diǎn)擊率越高的區(qū)間范圍所對(duì)應(yīng)的質(zhì)量級(jí)別越高；

確定所述廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間范圍，將該區(qū)間范圍對(duì)應(yīng)的質(zhì)量級(jí)別作為所述廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

可選的，所述基于所述廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，包括：

對(duì)所述廣告圖像素材的樣本進(jìn)行歸一化處理，以得到歸一化樣本；

基于所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別判斷當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層中的損失函數(shù)是否收斂到收斂閾值；

如果未收斂到收斂閾值，調(diào)整當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并重新執(zhí)行所述判斷的步驟；

如果收斂到收斂閾值，停止修正，并輸出當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)作為所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

可選的，所述基于所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別判斷當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層中的損失函數(shù)是否收斂到收斂閾值，包括：

將所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行N次處理，以得到卷積特征值；

將所述卷積特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層進(jìn)行N次處理，以得到全連接特征值；

將所述全連接特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)層，以得到所述損失函數(shù)；

判斷所述損失函數(shù)是否收斂到收斂閾值；

其中，N為大于或者等于2的自然數(shù)。

可選的，當(dāng)將所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行第一次處理時(shí)，所述第一次處理包括：

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一卷積層對(duì)所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別進(jìn)行處理，以得到第一卷積值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一激活函數(shù)對(duì)所述第一卷積值進(jìn)行激活處理，以得到第一激活值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一池化層對(duì)所述第一激活值進(jìn)行池化處理，以獲取第一特征值；

當(dāng)進(jìn)行第n次處理時(shí)，所述第n次處理包括：

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n卷積層對(duì)第n-1特征值進(jìn)行處理，以得到第n卷積值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n激活函數(shù)對(duì)所述第n卷積值進(jìn)行激活處理，以得到第n激活值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n池化層對(duì)所述第n激活值進(jìn)行池化處理，以獲取第n特征值；

當(dāng)n＝N時(shí)，將第N特征值作為所述卷積特征值；

其中，n為大于或者等于2，小于或者等于N的自然數(shù)。

根據(jù)本公開實(shí)施例的第二方面，提供一種圖像素材的質(zhì)量評(píng)估裝置，包括：

第一獲取模塊，被配置為獲取目標(biāo)廣告圖像素材；

評(píng)估模塊，被配置為將所述目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取所述目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

可選的，所述裝置還包括：

第二獲取模塊，被配置為獲取廣告圖像素材的樣本；

第三獲取模塊，被配置為獲取所述廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別；

修正模塊，被配置為基于所述廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，以獲取所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

可選的，所述第三獲取模塊包括：

點(diǎn)擊率獲取子模塊，被配置為獲取所述廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率；

范圍獲取子模塊，被配置為獲取預(yù)先對(duì)點(diǎn)擊率設(shè)定的多個(gè)區(qū)間范圍的信息，每個(gè)所述區(qū)間范圍對(duì)應(yīng)一個(gè)質(zhì)量級(jí)別，并且對(duì)應(yīng)的點(diǎn)擊率越高的區(qū)間范圍所對(duì)應(yīng)的質(zhì)量級(jí)別越高；

確定子模塊，被配置為確定所述廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間范圍，將該區(qū)間范圍對(duì)應(yīng)的質(zhì)量級(jí)別作為所述廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

可選的，所述修正模塊包括：

歸一子模塊，被配置為對(duì)所述廣告圖像素材的樣本進(jìn)行歸一化處理，以得到歸一化樣本；

判斷子模塊，被配置為基于所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別判斷當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層中的損失函數(shù)是否收斂到收斂閾值；

調(diào)整子模塊，被配置為在未收斂到收斂閾值時(shí)，調(diào)整當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并重新執(zhí)行所述判斷的步驟；

輸出子模塊，被配置為在收斂到收斂閾值時(shí)，停止修正，并輸出當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)作為所述目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

可選的，所述判斷子模塊包括：

卷積子模塊，被配置為將所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行N次處理，以得到卷積特征值；

全連接子模塊，被配置為將所述卷積特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層進(jìn)行N次處理，以得到全連接特征值；

損失子模塊，被配置為將所述全連接特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)層，以得到所述損失函數(shù)；

收斂判斷子模塊，被配置為判斷所述損失函數(shù)是否收斂到收斂閾值；

其中，N為大于或者等于2的自然數(shù)。

可選的，當(dāng)將所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行第一次處理時(shí)，所述卷積子模塊被配置用于：

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一卷積層對(duì)所述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別進(jìn)行處理，以得到第一卷積值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一激活函數(shù)對(duì)所述第一卷積值進(jìn)行激活處理，以得到第一激活值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一池化層對(duì)所述第一激活值進(jìn)行池化處理，以獲取第一特征值；

當(dāng)進(jìn)行第n次處理時(shí)，所述卷積子模塊被配置用于：

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n卷積層對(duì)第n-1特征值進(jìn)行處理，以得到第n卷積值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n激活函數(shù)對(duì)所述第n卷積值進(jìn)行激活處理，以得到第n激活值；

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n池化層對(duì)所述第n激活值進(jìn)行池化處理，以獲取第n特征值；

當(dāng)n＝N時(shí)，將第N特征值作為所述卷積特征值；

其中，n為大于或者等于2，小于或者等于N的自然數(shù)。

根據(jù)本公開實(shí)施例的第三方面，提供一種圖像素材的質(zhì)量評(píng)估裝置，包括：

處理器；用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

其中，所述處理器被配置為：

獲取目標(biāo)廣告圖像素材；

將所述目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取所述目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

本公開的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：

本公開的實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，通過獲取目標(biāo)廣告圖像素材，并將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。從而避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

本公開的實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，通過基于廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，從而訓(xùn)練出了目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，進(jìn)一步地提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

本公開的實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，可以通過廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，從而訓(xùn)練出目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，并采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，進(jìn)一步地提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

本公開的實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，可以將廣告圖像素材的歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)，如果對(duì)應(yīng)的損失函數(shù)未收斂到收斂閾值，調(diào)整當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并重新執(zhí)行上述步驟，直到損失函數(shù)收斂到收斂閾值，停止修正。從而訓(xùn)練出目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，并采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。進(jìn)一步提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

本公開的實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，可以將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行N次處理，將得到的卷積特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層進(jìn)行N次處理，再將得到的全連接特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)層得到損失函數(shù)，在損失函數(shù)未收斂到收斂閾值時(shí)，調(diào)整當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并重新執(zhí)行上述步驟，直到損失函數(shù)收斂到收斂閾值，停止修正。從而訓(xùn)練出目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，并采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。進(jìn)一步提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實(shí)施例，并與說明書一起用于解釋本公開的原理。

圖1是本公開根據(jù)一示例性實(shí)施例示出的一種圖像素材的質(zhì)量評(píng)估方法的流程圖；

圖2是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估方法的流程圖；

圖3是本公開根據(jù)一示例性實(shí)施例示出的一種圖像素材的質(zhì)量評(píng)估裝置的框圖；

圖4是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置的框圖；

圖5是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置的框圖；

圖6是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置的框圖；

圖7是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置的框圖；

圖8是本公開根據(jù)一示例性實(shí)施例示出的一種圖像素材的質(zhì)量評(píng)估裝置的一結(jié)構(gòu)示意圖。

具體實(shí)施方式

這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本公開相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。

在本公開使用的術(shù)語是僅僅出于描述特定實(shí)施例的目的，而非旨在限制本公開。在本公開和所附權(quán)利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應(yīng)當(dāng)理解，本文中使用的術(shù)語“和/或”是指并包含一個(gè)或多個(gè)相關(guān)聯(lián)的列出項(xiàng)目的任何或所有可能組合。

應(yīng)當(dāng)理解，盡管在本公開可能采用術(shù)語第一、第二、第三等來描述各種信息，但這些信息不應(yīng)限于這些術(shù)語。這些術(shù)語僅用來將同一類型的信息彼此區(qū)分開。例如，在不脫離本公開范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在......時(shí)”或“當(dāng)......時(shí)”或“響應(yīng)于確定”。術(shù)語“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本公開和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本公開的限制。

需要說明的是，除非另有規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是機(jī)械連接或電連接，也可以是兩個(gè)元件內(nèi)部的連通，可以是直接相連，也可以通過中間媒介間接相連，對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解所述術(shù)語的具體含義。

如圖1所示，圖1是根據(jù)一示例性實(shí)施例示出的一種圖像素材的質(zhì)量評(píng)估方法的流程圖，該方法可以應(yīng)用于終端設(shè)備或者服務(wù)器中。本領(lǐng)域技術(shù)人員可以理解，該終端設(shè)備可以包括但不限于諸如平板電腦、膝上型便攜計(jì)算機(jī)以及臺(tái)式電腦等等。該方法包括以下步驟：

在步驟101中，獲取目標(biāo)廣告圖像素材。

一般來說，產(chǎn)品的廣告可以包括很多素材，例如文本素材、圖像素材以及聲音素材等。其中，圖像素材即為圖像形式的素材。在本實(shí)施例中，目標(biāo)廣告圖像素材即為待評(píng)估的廣告圖像素材，可以首先獲取用戶輸入的待評(píng)估廣告圖像素材，作為目標(biāo)廣告圖像素材。

在步驟102中，將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

在本實(shí)施例中，可以將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中，通過目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行評(píng)估處理，從而獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

其中，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)為深度學(xué)習(xí)網(wǎng)絡(luò)模型的一種，深度學(xué)習(xí)網(wǎng)絡(luò)模型是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，它是建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它可以模仿人腦的機(jī)制來解釋數(shù)據(jù)(如，圖像數(shù)據(jù)，或者文本數(shù)據(jù)等)。由于卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)真正多層結(jié)構(gòu)的學(xué)習(xí)算法，所以它可以利用空間的相對(duì)關(guān)系減少參數(shù)數(shù)目，從而提高訓(xùn)練性能。

在本實(shí)施例中，需要預(yù)先采集樣本，用采集到的樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)后，目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)目標(biāo)廣告圖像素材進(jìn)行特征提取及分類，從而對(duì)目標(biāo)廣告圖像素材進(jìn)行質(zhì)量評(píng)估。

本公開的上述實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，通過獲取目標(biāo)廣告圖像素材，并將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。從而避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

如圖2所示，圖2根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估方法的流程圖，該實(shí)施例詳細(xì)描述了訓(xùn)練目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的過程，該方法可以應(yīng)用于終端設(shè)備或者服務(wù)器中，包括以下步驟：

在步驟201中，獲取廣告圖像素材的樣本。

在步驟202中，獲取廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

在本實(shí)施例中，廣告圖像素材的樣本可以是從網(wǎng)絡(luò)上隨機(jī)獲取的各種廣告圖像素材，并且，所選取的廣告圖像素材的投放時(shí)間越長越好。因?yàn)?，投放時(shí)間越長，廣告圖像素材對(duì)應(yīng)的點(diǎn)擊率越能體現(xiàn)其對(duì)應(yīng)的質(zhì)量。接著，獲取每個(gè)廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。其中，對(duì)應(yīng)的質(zhì)量級(jí)別越高，說明該廣告圖像素材的質(zhì)量越好，有效率越高。

具體來說，可以預(yù)先對(duì)點(diǎn)擊率設(shè)定若干個(gè)區(qū)間，每個(gè)區(qū)間可以對(duì)應(yīng)一個(gè)級(jí)別，首先可以獲取每個(gè)廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率。然后，獲取預(yù)先對(duì)點(diǎn)擊率設(shè)定的多個(gè)區(qū)間范圍的信息，每個(gè)區(qū)間范圍對(duì)應(yīng)一個(gè)質(zhì)量級(jí)別，并且對(duì)應(yīng)的點(diǎn)擊率越高的區(qū)間范圍所對(duì)應(yīng)的質(zhì)量級(jí)別越高。根據(jù)廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間，確定廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。具體地，確定廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間范圍，將該區(qū)間范圍對(duì)應(yīng)的質(zhì)量級(jí)別作為該廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

例如，假設(shè)設(shè)定的點(diǎn)擊率的區(qū)間分別為小于a的區(qū)間，大于或者等于a小于b的區(qū)間，大于或者等于b小于c的區(qū)間，大于或者等于c小于d的區(qū)間，大于或者等于d小于1的區(qū)間(其中，a、b、c、d均小于1)。這五個(gè)區(qū)間分別對(duì)應(yīng)不同的質(zhì)量級(jí)別，并且點(diǎn)擊率越高的區(qū)間所對(duì)應(yīng)的質(zhì)量級(jí)別越高。如，其中，小于a的區(qū)間所對(duì)應(yīng)的質(zhì)量級(jí)別最低，大于或者等于d的區(qū)間所對(duì)應(yīng)的質(zhì)量級(jí)別最高。

在一種實(shí)現(xiàn)方式中，可以統(tǒng)計(jì)所選取的廣告圖像素材的樣本的平均點(diǎn)擊率，記為M。統(tǒng)計(jì)所選取的廣告圖像素材的樣本的標(biāo)準(zhǔn)差，記為S。然后，設(shè)定四個(gè)區(qū)間范圍，分別為小于M-S的區(qū)間，大于或者等于M-S小于M的區(qū)間，大于或者等于M小于M₊S的區(qū)間，大于或者等于M₊S小于1的區(qū)間。這四個(gè)不同的區(qū)間對(duì)應(yīng)的質(zhì)量級(jí)別分別為差、中、良、優(yōu)?？梢愿鶕?jù)廣告圖像素材的樣本的點(diǎn)擊率查找所在的區(qū)間范圍，并確定對(duì)應(yīng)的質(zhì)量級(jí)別。

可以理解，還可以采用其它的方式對(duì)點(diǎn)擊率進(jìn)行區(qū)間范圍的劃分，本公開對(duì)點(diǎn)擊率劃分區(qū)間范圍的具體方式以及質(zhì)量級(jí)別的具體數(shù)量方面不限定。

在步驟203中，基于廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，以獲取目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

在本實(shí)施例中，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練的過程可以是調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的過程?？梢詫V告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入深度卷積神經(jīng)網(wǎng)絡(luò)中，從而不斷調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，直到該深度卷積神經(jīng)網(wǎng)絡(luò)能夠比較精確的提取到廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別為止。

在本實(shí)施例中，首先，對(duì)廣告圖像素材的樣本進(jìn)行歸一化處理，以得到歸一化樣本。具體來說，可以將所有廣告圖像素材的樣本轉(zhuǎn)化成相同尺寸(長寬均具有相同數(shù)量的像素點(diǎn))的樣本，作為歸一化樣本。

繼而，基于上述歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別判斷當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層中的損失函數(shù)是否收斂到收斂閾值。具體來說，將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行N次處理，以得到卷積特征值。然后，將該卷積特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層進(jìn)行N次處理，以得到全連接特征值。再將全連接特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)層，以得到損失函數(shù)。其中，N為大于或者等于2的自然數(shù)。

其中，損失函數(shù)可以是分類值與標(biāo)簽的差值函數(shù)。分類值為深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化樣本進(jìn)行特征提取后，進(jìn)行分類而獲得的分類值。標(biāo)簽為該歸一化樣本對(duì)應(yīng)的質(zhì)量級(jí)別的真實(shí)特征值。進(jìn)一步地，判斷該損失函數(shù)是否收斂到收斂閾值。

在本實(shí)施例中，將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行第一次處理時(shí)，具體可以包括如下步驟：采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一卷積層對(duì)歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別進(jìn)行處理，以得到第一卷積值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一激活函數(shù)對(duì)該第一卷積值進(jìn)行激活處理，以得到第一激活值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一池化層對(duì)第一激活值進(jìn)行池化處理，以獲取第一特征值。其中，進(jìn)行池化處理的目的是對(duì)第一激活值進(jìn)行降維，以提高后續(xù)的處理效率。

當(dāng)進(jìn)行第n次處理時(shí)，第n次處理具體可以包括如下步驟：采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n卷積層對(duì)第n-1特征值進(jìn)行處理，以得到第n卷積值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n激活函數(shù)對(duì)第n卷積值進(jìn)行激活處理，以得到第n激活值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n池化層對(duì)所述第n激活值進(jìn)行池化處理，以獲取第n特征值。其中，當(dāng)n＝N時(shí)，將第N特征值作為卷積特征值。n為大于或者等于2，小于或者等于N的自然數(shù)。

例如，在一種實(shí)現(xiàn)方式中，假設(shè)N＝2，則將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行2次處理，得到卷積特征值的過程可以包括：將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中，依次經(jīng)過第一卷積層、第一激活函數(shù)以及第一池化層的處理，以獲取第一特征值。然后，第一特征值再依次經(jīng)過第二卷積層、第二激活函數(shù)以及第二池化層的處理，以獲取第二特征值，將第二特征值作為卷積特征值。

接著，如果損失函數(shù)未收斂到收斂閾值，則調(diào)整當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并重新執(zhí)行上述判斷的步驟。如果損失函數(shù)收斂到收斂閾值，則停止修正，并輸出當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練好的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

具體來說，當(dāng)損失函數(shù)值小于上一次訓(xùn)練得到的損失函數(shù)值時(shí)，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播來調(diào)整卷積層中卷積核的參數(shù)，并且重復(fù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，直到得到的損失函數(shù)值小于損失函數(shù)閾值并且收斂。當(dāng)損失函數(shù)值小于損失函數(shù)閾值并且收斂時(shí)，表明深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化樣本進(jìn)行特征提取后，進(jìn)行分類而獲得的分類值與該歸一化樣本對(duì)應(yīng)的質(zhì)量級(jí)別的真實(shí)特征值相接近。即該深度卷積神經(jīng)網(wǎng)絡(luò)能夠比較精確的提取到廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

在步驟204中，獲取目標(biāo)廣告圖像素材。

在步驟205中，將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

需要說明的是，對(duì)于與圖1實(shí)施例中相同的步驟，在上述圖2實(shí)施例中不再進(jìn)行贅述，相關(guān)內(nèi)容可參見圖1實(shí)施例。

本公開的上述實(shí)施例提供的圖像素材的質(zhì)量評(píng)估方法，通過基于廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，從而訓(xùn)練出了目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，進(jìn)一步地提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

應(yīng)當(dāng)注意，盡管在附圖中以特定順序描述了本公開方法的操作，但是，這并非要求或者暗示必須按照該特定順序來執(zhí)行這些操作，或是必須執(zhí)行全部所示的操作才能實(shí)現(xiàn)期望的結(jié)果。相反，流程圖中描繪的步驟可以改變執(zhí)行順序。附加地或備選地，可以省略某些步驟，將多個(gè)步驟合并為一個(gè)步驟執(zhí)行，和/或?qū)⒁粋€(gè)步驟分解為多個(gè)步驟執(zhí)行。

與前述圖像素材的質(zhì)量評(píng)估方法實(shí)施例相對(duì)應(yīng)，本公開還提供了圖像素材的質(zhì)量評(píng)估裝置的實(shí)施例。

如圖3所示，圖3是本公開根據(jù)一示例性實(shí)施例示出的一種圖像素材的質(zhì)量評(píng)估裝置框圖，該裝置包括：第一獲取模塊301以及評(píng)估模塊302。

其中，第一獲取模塊301，被配置為獲取目標(biāo)廣告圖像素材。

一般來說，產(chǎn)品的廣告可以包括很多素材，例如文本素材、圖像素材以及聲音素材等。其中，圖像素材即為圖像形式的素材。在本實(shí)施例中，目標(biāo)廣告圖像素材即為待評(píng)估的廣告圖像素材，可以首先獲取用戶輸入的待評(píng)估廣告圖像素材，作為目標(biāo)廣告圖像素材。

評(píng)估模塊302，被配置為將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

在本實(shí)施例中，可以將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中，通過目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行評(píng)估處理，從而獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

在本實(shí)施例中，需要預(yù)先采集樣本，用采集到的樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)后，目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)目標(biāo)廣告圖像素材進(jìn)行特征提取及分類，從而對(duì)目標(biāo)廣告圖像素材進(jìn)行質(zhì)量評(píng)估。

由上述實(shí)施例可見，該實(shí)施例可以通過獲取目標(biāo)廣告圖像素材，并將目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。從而避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

如圖4所示，圖4是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置框圖，該實(shí)施例在前述圖3所示實(shí)施例的基礎(chǔ)上，該裝置還可以進(jìn)一步包括：第二獲取模塊303，第三獲取模塊304以及修正模塊305。

其中，第二獲取模塊303，被配置為獲取廣告圖像素材的樣本。

第三獲取模塊304，被配置為獲取廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

在本實(shí)施例中，廣告圖像素材的樣本可以是從網(wǎng)絡(luò)上隨機(jī)獲取的各種廣告圖像素材，并且，所選取的廣告圖像素材的投放時(shí)間越長越好。因?yàn)椋斗艜r(shí)間越長，廣告圖像素材對(duì)應(yīng)的點(diǎn)擊率越能體現(xiàn)其對(duì)應(yīng)的質(zhì)量。接著，獲取每個(gè)廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。其中，對(duì)應(yīng)的質(zhì)量級(jí)別越高，說明該廣告圖像素材的質(zhì)量越好，有效率越高。

修正模塊305，被配置為基于廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，以獲取目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

在本實(shí)施例中，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練的過程可以是調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的過程?？梢詫V告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入深度卷積神經(jīng)網(wǎng)絡(luò)中，從而不斷調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，直到該深度卷積神經(jīng)網(wǎng)絡(luò)能夠比較精確的提取到廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別為止。

由上述實(shí)施例可見，該實(shí)施例可以通過基于廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，從而訓(xùn)練出了目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，進(jìn)一步地提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

如圖5所示，圖5是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置框圖，該實(shí)施例在前述圖4所示實(shí)施例的基礎(chǔ)上，第三獲取模塊304可以包括：點(diǎn)擊率獲取子模塊501，范圍獲取子模塊502和確定子模塊503。

其中，點(diǎn)擊率獲取子模塊501，被配置為獲取廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率。

范圍獲取子模塊502，被配置為獲取預(yù)先對(duì)點(diǎn)擊率設(shè)定的多個(gè)區(qū)間范圍的信息，每個(gè)區(qū)間范圍對(duì)應(yīng)一個(gè)質(zhì)量級(jí)別，并且對(duì)應(yīng)的點(diǎn)擊率越高的區(qū)間范圍所對(duì)應(yīng)的質(zhì)量級(jí)別越高。

確定子模塊503，被配置為確定廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間范圍，將該區(qū)間范圍對(duì)應(yīng)的質(zhì)量級(jí)別作為廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

具體來說，可以預(yù)先對(duì)點(diǎn)擊率設(shè)定若干個(gè)區(qū)間，每個(gè)區(qū)間可以對(duì)應(yīng)一個(gè)級(jí)別，首先可以獲取每個(gè)廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率。然后，獲取預(yù)先對(duì)點(diǎn)擊率設(shè)定的多個(gè)區(qū)間范圍的信息，每個(gè)區(qū)間范圍對(duì)應(yīng)一個(gè)質(zhì)量級(jí)別，并且對(duì)應(yīng)的點(diǎn)擊率越高的區(qū)間范圍所對(duì)應(yīng)的質(zhì)量級(jí)別越高。根據(jù)廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間，確定廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。具體地，確定廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率所在的區(qū)間范圍，將該區(qū)間范圍對(duì)應(yīng)的質(zhì)量級(jí)別作為該廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

可以理解，本公開對(duì)點(diǎn)擊率劃分區(qū)間范圍的具體方式以及質(zhì)量級(jí)別的具體數(shù)量方面不限定。

由上述實(shí)施例可見，該實(shí)施例可以根據(jù)廣告圖像素材的樣本對(duì)應(yīng)的點(diǎn)擊率確定廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別，以便可以通過廣告圖像素材的樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行修正，從而訓(xùn)練出目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)，并采用該目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)對(duì)獲取到的目標(biāo)廣告圖像素材進(jìn)行評(píng)估處理，以獲取目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。避免了人為的主觀因素對(duì)質(zhì)量評(píng)估結(jié)果的影響，進(jìn)一步地提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

如圖6所示，圖6是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置框圖，該實(shí)施例在前述圖4所示實(shí)施例的基礎(chǔ)上，修正模塊305可以包括：歸一子模塊601，判斷子模塊602，調(diào)整子模塊603和輸出子模塊604。

其中，歸一子模塊601，被配置為對(duì)廣告圖像素材的樣本進(jìn)行歸一化處理，以得到歸一化樣本。

具體來說，可以將所有廣告圖像素材的樣本轉(zhuǎn)化成相同尺寸(長寬均具有相同數(shù)量的像素點(diǎn))的樣本，作為歸一化樣本。

判斷子模塊602，被配置為基于歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別判斷當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層中的損失函數(shù)是否收斂到收斂閾值。

其中，損失函數(shù)可以是分類值與標(biāo)簽的差值函數(shù)。分類值為深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化樣本進(jìn)行特征提取后，進(jìn)行分類而獲得的分類值。標(biāo)簽為該歸一化樣本對(duì)應(yīng)的質(zhì)量級(jí)別的真實(shí)特征值。進(jìn)一步地，判斷該損失函數(shù)是否收斂到收斂閾值。

調(diào)整子模塊603，被配置為在未收斂到收斂閾值時(shí)，調(diào)整當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，并重新執(zhí)行上述判斷的步驟。

輸出子模塊604，被配置為在收斂到收斂閾值時(shí)，停止修正，并輸出當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)作為目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)。

具體來說，當(dāng)損失函數(shù)值小于上一次訓(xùn)練得到的損失函數(shù)值時(shí)，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播來調(diào)整卷積層中卷積核的參數(shù)，并且重復(fù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，直到得到的損失函數(shù)值小于損失函數(shù)閾值并且收斂。當(dāng)損失函數(shù)值小于損失函數(shù)閾值并且收斂時(shí)，表明深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化樣本進(jìn)行特征提取后，進(jìn)行分類而獲得的分類值與該歸一化樣本對(duì)應(yīng)的質(zhì)量級(jí)別的真實(shí)特征值相接近。即該深度卷積神經(jīng)網(wǎng)絡(luò)能夠比較精確的提取到廣告圖像素材的樣本對(duì)應(yīng)的質(zhì)量級(jí)別。

由上述實(shí)施例可見，該實(shí)施例進(jìn)一步提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并節(jié)省了大量的人力資源，提高了質(zhì)量評(píng)估的效率。

如圖7所示，圖7是本公開根據(jù)一示例性實(shí)施例示出的另一種圖像素材的質(zhì)量評(píng)估裝置框圖，該實(shí)施例在前述圖6所示實(shí)施例的基礎(chǔ)上，判斷子模塊602可以包括：卷積子模塊701，全連接子模塊702，損失子模塊703和收斂判斷子模塊704。

其中，卷積子模塊701，被配置為將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行N次處理，以得到卷積特征值。

當(dāng)將歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層進(jìn)行第一次處理時(shí)，卷積子模塊701被配置用于：

采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一卷積層對(duì)歸一化樣本以及對(duì)應(yīng)的質(zhì)量級(jí)別進(jìn)行處理，以得到第一卷積值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一激活函數(shù)對(duì)第一卷積值進(jìn)行激活處理，以得到第一激活值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第一池化層對(duì)所述第一激活值進(jìn)行池化處理，以獲取第一特征值。

當(dāng)進(jìn)行第n次處理時(shí)，卷積子模塊701被配置用于：采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n卷積層對(duì)第n-1特征值進(jìn)行處理，以得到第n卷積值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n激活函數(shù)對(duì)所述第n卷積值進(jìn)行激活處理，以得到第n激活值。采用當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)的第n池化層對(duì)所述第n激活值進(jìn)行池化處理，以獲取第n特征值。當(dāng)n＝N時(shí)，將第N特征值作為所述卷積特征值。其中，n為大于或者等于2，小于或者等于N的自然數(shù)。

全連接子模塊702，被配置為將卷積特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層進(jìn)行N次處理，以得到全連接特征值。

損失子模塊703，被配置為將全連接特征值輸入到當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)層，以得到損失函數(shù)。

收斂判斷子模塊704，被配置為判斷損失函數(shù)是否收斂到收斂閾值。

其中，N為大于或者等于2的自然數(shù)。

由上述實(shí)施例可見，該實(shí)施例進(jìn)一步提高了質(zhì)量評(píng)估結(jié)果的準(zhǔn)確率，并提高了質(zhì)量評(píng)估的效率。

應(yīng)當(dāng)理解，上述裝置可以預(yù)先設(shè)置在終端設(shè)備或者服務(wù)器中，也可以通過下載等方式而加載到終端設(shè)備或者服務(wù)器中。上述裝置中的相應(yīng)模塊可以與終端設(shè)備或者服務(wù)器中的模塊相互配合以實(shí)現(xiàn)圖像素材的質(zhì)量評(píng)估方案。

對(duì)于裝置實(shí)施例而言，由于其基本對(duì)應(yīng)于方法實(shí)施例，所以相關(guān)之處參見方法實(shí)施例的部分說明即可。以上所描述的裝置實(shí)施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部模塊來實(shí)現(xiàn)本公開方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動(dòng)的情況下，即可以理解并實(shí)施。

相應(yīng)的，本公開還提供一種圖像素材的質(zhì)量評(píng)估裝置，該裝置包括有處理器；用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；其中，該處理器被配置為：

獲取目標(biāo)廣告圖像素材；

將所述目標(biāo)廣告圖像素材輸入到預(yù)先訓(xùn)練的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行評(píng)估處理，以獲取所述目標(biāo)廣告圖像素材對(duì)應(yīng)的質(zhì)量級(jí)別。

圖8是根據(jù)一示例性實(shí)施例示出的一種圖像素材的質(zhì)量評(píng)估裝置9900的一結(jié)構(gòu)示意圖。例如，裝置9900可以是移動(dòng)電話，計(jì)算機(jī)，數(shù)字廣播終端，消息收發(fā)設(shè)備，游戲控制臺(tái)，平板設(shè)備，醫(yī)療設(shè)備，健身設(shè)備，個(gè)人數(shù)字助理等。

參照?qǐng)D8，裝置9900可以包括以下一個(gè)或多個(gè)組件：處理組件9902，存儲(chǔ)器9904，電源組件9906，多媒體組件9908，音頻組件9910，輸入/輸出(I/O)的接口9912，傳感器組件9914，以及通信組件9916。

處理組件9902通?？刂蒲b置9900的整體操作，諸如與顯示，電話呼叫，數(shù)據(jù)通信，相機(jī)操作和記錄操作相關(guān)聯(lián)的操作。處理元件9902可以包括一個(gè)或多個(gè)處理器9920來執(zhí)行指令，以完成上述的方法的全部或部分步驟。此外，處理組件9902可以包括一個(gè)或多個(gè)模塊，便于處理組件9902和其他組件之間的交互。例如，處理組件9902可以包括多媒體模塊，以方便多媒體組件9908和處理組件9902之間的交互。

存儲(chǔ)器9904被配置為存儲(chǔ)各種類型的數(shù)據(jù)以支持在裝置9900的操作。這些數(shù)據(jù)的示例包括用于在裝置9900上操作的任何應(yīng)用程序或方法的指令，聯(lián)系人數(shù)據(jù)，電話簿數(shù)據(jù)，消息，圖片，視頻等。存儲(chǔ)器9904可以由任何類型的易失性或非易失性存儲(chǔ)設(shè)備或者它們的組合實(shí)現(xiàn)，如靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)，電可擦除可編程只讀存儲(chǔ)器(EEPROM)，可擦除可編程只讀存儲(chǔ)器(EPROM)，可編程只讀存儲(chǔ)器(PROM)，只讀存儲(chǔ)器(ROM)，磁存儲(chǔ)器，快閃存儲(chǔ)器，磁盤或光盤。

電源組件9906為裝置9900的各種組件提供電力。電源組件9906可以包括電源管理系統(tǒng)，一個(gè)或多個(gè)電源，及其他與為裝置9900生成、管理和分配電力相關(guān)聯(lián)的組件。

多媒體組件9908包括在所述裝置9900和用戶之間的提供一個(gè)輸出接口的屏幕。在一些實(shí)施例中，屏幕可以包括液晶顯示器(LCD)和觸摸面板(TP)。如果屏幕包括觸摸面板，屏幕可以被實(shí)現(xiàn)為觸摸屏，以接收來自用戶的輸入信號(hào)。觸摸面板包括一個(gè)或多個(gè)觸摸傳感器以感測觸摸、滑動(dòng)和觸摸面板上的手勢。所述觸摸傳感器可以不僅感測觸摸或滑動(dòng)動(dòng)作的邊界，而且還檢測與所述觸摸或滑動(dòng)操作相關(guān)的持續(xù)時(shí)間和壓力。在一些實(shí)施例中，多媒體組件9908包括一個(gè)前置攝像頭和/或后置攝像頭。當(dāng)裝置9900處于操作模式，如拍攝模式或視頻模式時(shí)，前置攝像頭和/或后置攝像頭可以接收外部的多媒體數(shù)據(jù)。每個(gè)前置攝像頭和后置攝像頭可以是一個(gè)固定的光學(xué)透鏡系統(tǒng)或具有焦距和光學(xué)變焦能力。

音頻組件9910被配置為輸出和/或輸入音頻信號(hào)。例如，音頻組件9910包括一個(gè)麥克風(fēng)(MIC)，當(dāng)裝置9900處于操作模式，如呼叫模式、記錄模式和語音識(shí)別模式時(shí)，麥克風(fēng)被配置為接收外部音頻信號(hào)。所接收的音頻信號(hào)可以被進(jìn)一步存儲(chǔ)在存儲(chǔ)器9904或經(jīng)由通信組件9916發(fā)送。在一些實(shí)施例中，音頻組件9910還包括一個(gè)揚(yáng)聲器，用于輸出音頻信號(hào)。

I/O接口9912為處理組件9902和外圍接口模塊之間提供接口，上述外圍接口模塊可以是鍵盤，點(diǎn)擊輪，按鈕等。這些按鈕可包括但不限于：主頁按鈕、音量按鈕、啟動(dòng)按鈕和鎖定按鈕。

傳感器組件9914包括一個(gè)或多個(gè)傳感器，用于為裝置9900提供各個(gè)方面的狀態(tài)評(píng)估。例如，傳感器組件9914可以檢測到裝置9900的打開/關(guān)閉狀態(tài)，組件的相對(duì)定位，例如所述組件為裝置9900的顯示器和小鍵盤，傳感器組件9914還可以檢測裝置9900或裝置9900一個(gè)組件的位置改變，用戶與裝置9900接觸的存在或不存在，裝置9900方位或加速/減速和裝置9900的溫度變化。傳感器組件9914可以包括接近傳感器，被配置用來在沒有任何的物理接觸時(shí)檢測附近物體的存在。傳感器組件9914還可以包括光傳感器，如CMOS或CCD圖像傳感器，用于在成像應(yīng)用中使用。在一些實(shí)施例中，該傳感器組件9914還可以包括加速度傳感器，陀螺儀傳感器，磁傳感器，壓力傳感器，微波傳感器或溫度傳感器。

通信組件9916被配置為便于裝置9900和其他設(shè)備之間有線或無線方式的通信。裝置9900可以接入基于通信標(biāo)準(zhǔn)的無線網(wǎng)絡(luò)，如WiFi，2G或3G，或它們的組合。在一個(gè)示例性實(shí)施例中，通信組件9916經(jīng)由廣播信道接收來自外部廣播管理系統(tǒng)的廣播信號(hào)或廣播相關(guān)信息。在一個(gè)示例性實(shí)施例中，所述通信組件9916還包括近場通信(NFC)模塊，以促進(jìn)短程通信。例如，在NFC模塊可基于射頻識(shí)別(RFID)技術(shù)，紅外數(shù)據(jù)協(xié)會(huì)(IrDA)技術(shù)，超寬帶(UWB)技術(shù)，藍(lán)牙(BT)技術(shù)和其他技術(shù)來實(shí)現(xiàn)。

在示例性實(shí)施例中，裝置9900可以被一個(gè)或多個(gè)應(yīng)用專用集成電路(ASIC)、數(shù)字信號(hào)處理器(DSP)、數(shù)字信號(hào)處理設(shè)備(DSPD)、可編程邏輯器件(PLD)、現(xiàn)場可編程門陣列(FPGA)、控制器、微控制器、微處理器或其他電子元件實(shí)現(xiàn)，用于執(zhí)行上述方法。

在示例性實(shí)施例中，還提供了一種包括指令的非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，例如包括指令的存儲(chǔ)器9904，上述指令可由裝置9900的處理器9920執(zhí)行以完成上述方法。例如，所述非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)可以是ROM、隨機(jī)存取存儲(chǔ)器(RAM)、CD-ROM、磁帶、軟盤和光數(shù)據(jù)存儲(chǔ)設(shè)備等。

本領(lǐng)域技術(shù)人員在考慮說明書及實(shí)踐這里公開的發(fā)明后，將容易想到本公開的其它實(shí)施方案。本申請(qǐng)旨在涵蓋本公開的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本公開的一般性原理并包括本公開未公開的本技術(shù)領(lǐng)域中的公知常識(shí)或慣用技術(shù)手段。說明書和實(shí)施例僅被視為示例性的，本公開的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當(dāng)理解的是，本公開并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本公開的范圍僅由所附的權(quán)利要求來限制。