NODIECANFLY

1.介绍提出SSIM，MS-SSIM等文章的不足：当对局部特征图进行池化时，所有位置被认为具有同样的重要性。在VIF中，图像被分解为不同的子带，这些子带在池化时具有不同的权重，然而在每个子带中，每一个位置都被认为同样重要。这样的池化策略与我们关于人类视觉系统的一些直观结论不符，即图像中的不同位置在人眼观察时做出的贡献是不同的。提出SSIM的重要贡献是应用了人眼视觉系统对图像结构信息的敏感。低级...

具有概率质量表示的盲图像质量评估Hui Zeng1, Lei Zhang1, Alan C. Bovik21Department of Computing, The Hong Kong Polytechnic University.2Department of Electrical and Computer Engineering, The University of Texas at Au...

Kang L, Kumar J, Ye P, et al. Convolutional Neural Networks for Document Image Classification[C]// International Conference on Pattern Recognition. IEEE, 2014:3168-3172.1University of Maryland, Colle...

使用一种细粒度的时空注意模型进行视频描述概述注意机制（Attention mechanism）在视频描述领域的应用。然而，大多数现有的视频描述方法在帧级上应用注意机制，其仅对时域结构 进行建模并生成单词，但忽略提供与语义内容对应的准确视觉特征的区域级空间信息。在这篇论文中，作者提出了一种细粒度的时空注意模型（FSTA），视频中出现的物体的空间信息将成为我们的主要关注点。在提出的FSTA中，我...

自然感知深度无参考图像质量评估Abstract在本文中，我们提出了一种新的基于深度神经网络的NR-IQA多任务学习方法。我们提出的网络是通过多任务学习方式设计的，包括两个任务，即自然场景统计（NSS）特征预测任务和质量分数预测任务。NSS特征预测是一项辅助任务，它有助于质量得分预测任务学习输入图像与其质量得分之间更好的映射。这项工作的主要贡献是将NSS特征预测任务集成到基于深度学习的图像质量预...

J. Gu, G. Meng, S. Xiang, C. Pan, “Blind Image Quality Assessment via Learnable Attention-based Pooling,” Pattern Recognition, 2019.Abstract许多基于卷积神经网络（CNN）的用于无参考图像质量评估（BIQA）的最新算法共享共同的两阶段结构，即局部质量评价，随...