近期deep learning做图像质量评价(image quality assessment)的论文3

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。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值