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