- 博客(26)
- 收藏
- 关注
RSS订阅原创 阅读论文：NESTED ERROR MAP GENERATION NETWORK FOR NO-REFERENCE IMAGE QUALITY ASSESSMENT
摘要：该体系结构由主干特征抽取器、嵌套多任务生成模块和质量回归模块组成。采用从粗到精的策略，在两个用不同的损失函数进行优化的子任务中预测目标误差图。该网络被设计成嵌套的，这样从子任务中学习到的区别性特征就可以被主要任务有效地共享。通过在重建的误差图和学习的失真敏感度图之间应用掩蔽机制，获得感知失真图。采用质量回归模块将掩盖的失真非线性映射到主观分数。1.方法它由一个主干特征抽取器、一个带有两个辅助子任务和一个主要任务的生成模块以及一个质量回归模块组成。1.1主干特征提取Xn和Rn表示第.
2022-05-13 20:16:43
227
原创 【无标题】ValueError: attempted relative import beyond top-level package
报错：解决：使用绝对路径参考：Python相对导入:ValueError: attempted relative import beyond top-level package_wangjinyu124419的博客-CSDN博客
2022-05-13 14:55:02
317
原创 ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks
paper：http://xxx.itp.ac.cn/pdf/1908.03930.pdfcode：mirrors / DingXiaoH / acnet · GitCode摘要：提出了非对称卷积块（ACB），一种架构中立的结构作为CNN构建块，它使用一维非对称卷积来增强平方卷积核。对于现成的体系结构，我们用ACB替换标准的方形核卷积层，以构造一个非对称卷积网络（ACNet），可以对其进行训练以达到更高的精度。在本文中，我们提出了非对称卷积块（ACB），这是一种创新的构造块，用方形核取代标准
2022-05-11 16:05:47
731
原创 论文阅读：(NIQE)Making a ‘Completely Blind’ Image Quality Analyzer
之前看的一篇文章，今天翻到了，在这里做一个简单的整理该模型仅利用自然图像中观察到的统计规律的可测量偏差，而没有对人类评级的扭曲图像进行训练。测试图像的质量表示为从测试图像中提取的NSS特征（共计36）与多元高斯模型（MVG）进行拟合，得到的数据与从自然语料库中提取的质量感知特征的MVG模型进行拟合，这两者之间的距离。实验步骤：计算MSCN系数 系数MSCN得到后，将该图像分为P×P尺寸的块，这里的P值设置为96×96。 利用GGD和AGGD提取18个图像特征，后经过两个尺度（低通滤波和系
2022-05-08 21:29:45
1264
原创 论文阅读：Which Has Better Visual Quality: The Clear BlueSky or a Blurry Animal?
参考论文阅读笔记：Exploiting High-Level Semantics for NR Image Quality Assessment of Realistic Blur Image_komorebi2324的博客-CSDN博客摘要：提出了一种基于语义特征聚合（SFA）的NR-IQA方法，以缓解图像内容变化的影响。具体来说，我们不是调整图像的大小，而是首先在整个扭曲的图像上裁剪多个重叠的面片，以避免引入几何变形。然后，根据自适应层选择过程，利用预训练图像分类模型固有的内容感知特性，提取深层
2022-05-08 19:59:41
1109
原创 论文阅读：No-Reference Image Quality Assessment with Global Statistical Features
摘要：引入的方法使用了一组新的质量感知特征，这些特征全局地描述了给定测试图像的统计特性，如扩展的局部分形维度分布特征、使用不同域扩展第一位数分布特征、比拉普拉斯特征、影像瞬息、各种各样的感知特征。1提出的方法从训练图像中提取一组特征向量来训练机器学习模型，该模型在测试阶段用于将特征向量映射为感知质量分数。通过五个IQA基准数据库进行详细的参数研究，以找到最合适的回归。共132维特征提取，包括扩展的局部分形维度分布特征、使用不同域扩展第一位数分布特征（FDD）图、比拉普拉斯特征、影像瞬息、相对梯度
2022-05-04 14:49:11
2289
原创 论文阅读：Convolutional Neural Networks for No-Reference Image Quality Assessment
摘要：以图像补丁作为输入，在空间域中工作，而不使用以前大多数方法所使用的手工特征。该网络由一个具有最大和最小池的卷积层、两个完全连接的层和一个输出节点组成。在网络结构中，特征学习和回归被集成到一个优化过程中，从而产生一个更有效的图像质量估计模型。1.NR-IQA的CNN给定灰度图像，我们首先执行对比度归一化，然后从中采样不重叠的补丁。使用CNN来估计每个补丁的质量分数，并对补丁分数进行平均，以获得图像的质量估计。1.1网络结构1.2局部归一化假设位置（i，j）isI（i，j）
2022-04-26 16:17:04
1422
1
原创 阅读笔记：Fully Deep Blind Image Quality Predictor
贡献：1. 为了克服基于深度学习的NR-IQA中的关键问题，可靠的FR-IQA度量被用作每个图像块的中间局部目标。2. 提出一种有效的池化策略，在训练过程中，建议的池化阶段作为一个单层进行合并。为了进行有效的训练，将一幅图像的分割块分组为一个小批量。结果得到了整个模型的优化参数。1. 模型结构局部度量分数回归、主观得分回归在第一步中，模型针对每个补丁对模型进行训练，将分割后的图像块回归到目标局部度量分数上，该分数源自传统的FR-IQA度量。在第二步中，对于训练，池化策略被合并，同时以最小
2022-04-22 21:31:40
2633
3
原创 解决报错：micodeEncodeError: ‘ascii’ codec can‘t encode characters in position 12-15: ordinal not in rang
代码报错：解决方法：检查在代码里是否有汉字的出现，将汉字替换即可
2022-04-21 15:30:16
412
原创 阅读笔记：On the use of a scanpath predictor and CNN forBIQA
摘要：基于显著性信息和卷积神经网络选择的相关补丁建模，文章只考虑对主观判断影响较大的感知相关性较强的补丁。首先计算失真图像的显著性图：采用一个旨在模拟视觉行为的扫描路径预测器作为补丁选择器。利用cnn评估质量的二维图像。这是第一个研究结合扫描路径预测方法。1.提出方法：我们首先使用扫描路径预测器提取大小为32 × 32的特定 rgb 补丁，然后将每个补丁规范化，并将其用作 cnn 模型的输入，最后通过对预测的斑块得分进行平均得到图像的总体质量。1.1 选择相关补丁显著性在这里被用来提
2022-04-14 20:42:32
308
原创 global_pool（全局池化）
“global pooling”就是pooling的 滑窗size 和整张feature map的size一样大。这样，每个 W × H × C 的feature map输入就会被转化为 1 × 1 × C 1\times 1\times C1×1×C 输出。参考：深度学习: global pooling (全局池化)_JNingWei的博客-CSDN博客_全局池化...
2022-04-07 16:21:40
1978
原创 Pycharm中对Con2d函数的理解
nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True，padding_mode='zero')in_channels：输入信号通道个数out_channels：输出信号通道个数kernel_size：卷积核的大小stride：步长padding：输入的每一条边补充0的层数dilation：卷积核默认的间距，默认为1groups：从
2022-04-07 13:11:11
1725
原创 Resnet18、Resnet50 网络
参考：ccResnet-18网络图示理解_G果的博客-CSDN博客_resnet18
2022-04-06 20:58:36
1200
原创 解决报错：in _forward_unimplemented raise NotImplementedError NotImplementedError
报错：解决方法：经过反复检查，发现是自己forward函数前面多加了一个字符，，，无语建议检查一下：forward的拼写是否正确；是否和__init__对齐等问题。
2022-04-06 13:29:21
2692
6
原创 数据集的了解
LIVE：dmos.mat包含两个数组，每个数组（dmos and orgs）的长度为982，orgs(i)==0是失真图像，数组dmos和orgs是通过串联dmos（和orgs）变量来排列的，对于每个数据库，如下所示：dmos=[dmos_jpeg2000(1:227) dmos_jpeg(1:233) white_noise(1:174) gaussian_blur(1:174) fast_fading(1:174)]；dmos_distortion(i)是图像“distortion\img
2022-04-03 21:39:35
3781
原创 将.xlsx文件转成.txt文件
1.利用脚本生成txt文件2.将该列复制到.xlsx文件中3.利用a&b函数，将在.xlsx两列数据生成一列数据4.将表格保存为.txt文件
2022-04-02 12:36:15
1584
原创 阅读笔记：Exploiting High-Level Semantics for NR Image Quality Assessment of Realistic Blur Image
摘要：针对这一问题，我们利用高级语义学，提出了一种新的对于真实模糊图像的无参考图像质量评价方法。1.将整个图像分成多个不重叠的补丁；2.每个补丁由从训练好的DCNN模型提取高级语义特征；3.采用三种不同的统计结构对来自不同的补丁信息进行统计，主要包含一切常见的统计方法；4聚集的特征作为线性回归模型的输入预测图像质量。1.提出的方法图像表示、特征提取、特征聚合和质量预测1.1图像表示预先训练的 dcnn 模型(例如 alexnet)需要一个固定的输入大小。为了满足这个要求，图像可以裁剪，.
2022-03-31 13:33:24
3576
原创 解决报错：OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
报错：解决方法：去自己所用的的环境下，查看是否有两个下面的文件，若果是删除一个即可
2022-03-28 21:37:16
1051
1
原创 阅读笔记：Deep Superpixel-based Network for Blind ImageQuality Assessment
本文贡献：1. 首次将超像素分割应用于 BIQA 中，提取局部特征和多尺度语义特征。2. 分析了图像裁剪训练对完整图像评价的影响，调整了图像拼接层，设计了一个能够克服图像大小问题的模型。3. 方法配合得很好，每个部分都互相配合。实验结果表明，该方法在预测图像质量和处理复杂畸变图像方面性能更好。1.本文方法1.1模型框架多尺度特征提取（包含语义信息）、超像素网络（基于CNN的超像素分割，使深层神经网络能够感知局部超像素区域）1.2 语义特征提取为了提取语义特征，使特
2022-03-28 20:25:35
593
1
原创 阅读笔记：Blind Image Quality Assessment via Vector Regression and Object Oriented Pooling
摘要提出的向量回归框架产生一个输入图像的信念分数向量，探讨质量评价中的不确定因素，设计信念得分来衡量一个图像的自信程度，并将其分配到相应的质量等级；提出一个面向对象的池策略，通过结合图像内容的语义信息来进一步提高性能；目标被占用的区域在池化阶段被分配更多权重。本文贡献：1. 提出向量回归框架。探索质量评价的不确定性，引入一个信念分数的向量来度量图像被分配到相应的质量等级的概率。2. 提出的向量回归框架是一个开放的框架，实验结果表明，无论网络结构如何，该算法都可以与不同的网络结构相结合，提高性
2022-03-26 21:22:01
3824
原创 阅读笔记：MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment
首先，需要了解一下什么是元学习。元学习就是让物体学会学习。元学习的输入是很多任务及其对应的训练数据，这些训练数据分为支持集和查询集，通过这些训练数据得到一个先验知识网络，通过Fine‐tuning该网络得到符合新的目标任务网络。...
2022-03-20 21:16:01
2033
2
原创 批量生成指定文件夹内所有文件名为.txt，并转换成.csv文件
在对数据集进行操作时，遇到这个问题生成指定文件夹内所有文件名为.txt1.建立一个.txt文件，输入dir /b >A.txt，A为txt文件的命名dir /b >A.txt2.将A.txt文件改成A.bat文件3.将该文件拖入指定文件夹内4.双击A.bat文件，生成所有文件名.txt文件将.txt文件转换成.csv文件import csvwith open('G:./abc.csv', 'w+', newline='') as csvfile:.
2022-03-20 18:00:27
1833
原创 阅读笔记：Blindly Assess Image Quality in the Wild Guided by A Self-Adaptive Hyper Network
引言：真实数据集的挑战：没有参考图像；图像失真情况复杂，算法不易捕获全局和局部信息；图像内容变化基于图像内容判断质量，更符合人类感知预测贡献：1.真实数据集，超网络IQA模型，自适应调整质量预测参数2.局部失真感知模块与全局语义特征结合，多尺度特征预测图像质量3.模型泛化性好提出的方法：提取语义特征的骨干网络、预测图像质量的目标网络、为目标网络产生一系列自适应参数的超网络...
2022-03-14 21:58:00
3321
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人