近期deep learning做图像质量评价（image quality assessment）的论文2

1、On the use of deep learning forblind IQA (DeepBIQ) 2017-8-19

核心思想：features+ SVM （实验在LIVEwild database 失真的数据库）

该论文是值得研究一下的，如果自己在尝试用Deeplearning完成IQA任务时，论文中提到的一些设置是可以去借鉴的。主要是实验在LIVEwild database 失真的数据库，结果很棒！！！

--- 主要的探索了三个选择：

(1)-- 使用不同pre-trained CNN框架提取特征，加上SVM。

包括ImageNet-CNN，Places-CNN,ImageNet+Places-CNN。

(2)-- 如何从whole image中提取image patches以及特征融合和预测分数融合的策略。(不同的网络，输入的image patch大小是不一样的，考虑这点是和上一点相关的)

       第一：输入图片的大小，比如ImageNet的输入是224*224，所以你的输入就必须是224*224。但是原始图像的大小不是224*224，就需要对输入图像做剪裁处理，可以直接resize,或者从原始图像中挑一些块出来。

第二：如果是从图像中提取图像块的话，那么块的个数又成为了一个参数。该论文从wholeimage中随机挑选sub-regions,数量范围[5,50]。

       第三：获得了输入图像块之后，即可得到featurevector, 如何将这些图像块的featurevector 组合又成了一个新的问题，解决方法有：

featurepooling (min, average, max)：将所有sub-regionfeature vectors组合成一个向量，用于表示wholeimage。

featureconcatenation：直接把sub-regions对应的向量连在一起。

predictionpooling：通过预测每一个sub-region的分数，再将这些