本文介绍了近年来深度学习在图像质量评估（IQA）领域的应用，涉及多个研究工作。VeNICE采用深度神经网络结构，借鉴VGG16参数；2016ICASSP论文通过增加卷积层和全连接层数量提升性能；2016ISCID研究中，CNN结合SVR进行回归预测；Jongyoo Kim的2017IEEESignal Processing Magazine文章提出三种方法，包括预训练模型与端到端训练；RankIQA利用排名学习优化网络；2017TIP的Waterloo Exploration Database提出新挑战，评估IQA模型性能；Kede Ma的2017TIP工作则采用多阶段的深度神经网络进行盲IQA。
1、VeNICE: A very deep neural network approach to no-reference image assessment.
1.1框架：总共包括5个group，group1：conv，conv，relu，maxpool；group2：conv，conv，relu，maxpool；group3：conv，conv，conv，relu，maxpool；group4：conv，conv，conv，relu，maxpool；group5：conv，conv，conv，relu，maxpool；卷积层的参数直接fine-tuneVGG16的参数。全连接层：49-512-4096-1。
1.2 参数设置：input：224*224；batch size：7；epochs：200；learning rate：0.0001
2、2016ICASSP：Blind image quality assessment formultiply distorted images via convolutional networks. 同济大学
2.1相比于2014年的CVPR(Le Kang)，此篇论文增加了feature map的数量，增加了全连接的数量。
2.2 Conv + max pool，average pool，dense 2048, dense 2048, output.
2.3
最低0.47元/天 解锁文章
扫一扫
142
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
