JSTSP2016 Fully Deep Blind Image Quality Predictor
来源:互联网 发布:江苏微盛网络孙 编辑:程序博客网 时间:2024/04/30 22:15
这是一个直接用CNN做IQA的工作,直接输入图像不提取特征,借用FR-IQA方法解决了训练数据不足、大量图像没有MOS等问题。
文章首先提出NR-IQA与FR-IQA的区别——是否利用了原始图片信息:
之后分析NR-IAQ与FR-IQA的一些典型方法:
之后分析需要面对的三个问题:
A、缺少训练数据
B、缺少局部目标值
C、特征学习的不同目的
为了解决这三个问题,提出BIECON网络结构,采用基于图像块的方法避免第一个问题;借鉴现存的FR-IQA方法克服第二个问题,FR-IQA度量产生的参考图与失真图之间的知觉差异,可以改变本文网络中的每个图像块的局部地面真实目标值,替换后的目标值是非常可靠的,这是由于FR-IQA度量提供了最好的相关分数。
本文贡献:
1、提供了一个基于NR-IQA的深层CNN框架的研究,产生局部地面真实目标值,BIECON实现最优相关分数
2、提出有效的池化策略,这是受到先前IQA研究中池化方法的启发
3、基于严格的实验的结果,BIECON的训练阶段实现很高的精确度
4、虽然深度学习是一个黑匣子,本文分析和可视化了学习特征核去更好的理解与训练深度模型
本文BIECON网络框架:
第一步:对每个图像块进行训练;
第二步:池化阶段合并到训练中;
第三步:所有的模型参数调到最优,使得训练Loss最小;
0 0
- JSTSP2016 Fully Deep Blind Image Quality Predictor
- Blind Image Quality Assessment using Semi-supervised Rectifier Networks(泛读)
- Note: Learningwithout Human Scores for Blind Image Quality Assessment
- 【deeplab】Semantic Image Segmentation with Deep Convolutional Nets and Fully
- 笔记:Deep multi patch aggregation network for image style, aesthetics and quality estimation
- 近期deep learning做图像质量评价(image quality assessment)的论文
- 近期deep learning做图像质量评价(image quality assessment)的论文2
- 近期deep learning做图像质量评价(image quality assessment)的论文3
- deep learing解决3D图像质量评价(image quality assessment)问题
- 近期deep learning做图像质量评价(image quality assessment)的论文4
- Secret of blind image deblurring?
- image quality analysis
- Enriching image quality.
- 深度学习论文(八)---DeepLabV1-SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED C
- Image processing of watermark with blind extraction
- Research on Image Quality Assessment
- No-Reference Image Quality Assessment
- Fast Image Processing with Fully-Convolutional Networks
- android studio 无法debug
- Android中Mock以及Mockito的使用
- Unity3D中C#调用iOS的静态库(*.a)
- svn 清理失败 (cleanup 失败) 的解决方法
- Windows环境下Qwt安装和使用
- JSTSP2016 Fully Deep Blind Image Quality Predictor
- 在Sublime3中使用ESLint
- Git 撤销合并
- Linux常用命令记录
- python基本语法和编程风格
- Field 'id' doesn't have a default value
- SAP CRM 忠诚度相关表的关系图
- Android SharedPreferences本地储存
- 从一道面试题来认识java类加载时机与过程