JSTSP2016 Fully Deep Blind Image Quality Predictor
2017-02-20 14:34
302 查看
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;
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;
相关文章推荐
- Deep Image Retrieval: Learning global representations for image search. In ECCV, 2016.
- Note: Learningwithout Human Scores for Blind Image Quality Assessment
- 笔记:Deep multi patch aggregation network for image style, aesthetics and quality estimation
- 论文阅读理解 - Semantic Image Segmentation With Deep Convolutional Nets and Fully Connected CRFs
- 【deeplab】Semantic Image Segmentation with Deep Convolutional Nets and Fully
- 深度学习论文(八)---DeepLabV1-SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED C
- 论文阅读:《Natural Image Matting Using Deep CNN》ECCV 2016
- Blind Image Quality Assessment using Semi-supervised Rectifier Networks(泛读)
- 【文献阅读】ResNet-Deep Residual Learning for Image Recognition--CVPR--2016
- 《Semantic image segmentation with deep convolution nets and fully connected CRFs》学习总结(deeplabV1)
- Django templates加载css/js/image等静态资源
- 【webAI】deeplearn.js的线性回归
- React.js 2016 最佳实践 徬梓阅读 1584收藏 71
- 经典网络结构VGG-net《Very Deep Convolutional Networks for Large-Scale Image Recognition》
- 【Paper Note】Very Deep Convolutional Network For Large-Scale Image Recognition 论文翻译(VGG)
- 2016-10 jsp js 问题
- ResNet:Deep Residual Learning for Image Recognition
- Learning Fine-grained Image Similarity with Deep Ranking(泛读)
- Deep Image Matting
- Deep Residual Learning for Image Recognition 阅读笔记