源码下载地址:https://download.csdn.net/download/sheziqiong/85602575
源码下载地址:https://download.csdn.net/download/sheziqiong/85602575
无参考图像质量评价
简介
参考RankIQA中的方法,将回归问题转化为分类+回归的
问题,对高质量图像进行distortion,生成大量不同等级的图像,先训练一个图像质量rank的网络,
网络结构为Siamese,Siamese内为VGG;在训练完成后,在其基础上进行fine-tuning,使用公开集
数据(大约为2000多张)微调该网络,损失函数为L2,回归图像的具体质量分数。
该方法可以突破无参考图像质量评价的小数据集限制,可以使用大网络来训练而不产生过拟合。
文件说明
- ./data: distortion的matlab代码,生成Rank网络需要的不同等级的图像
- src: 为适应人脸大小,将网络输入从224降低到128重新训练
- _src: 原网络代码,输入大小为224
- regression_network: 使用小网络拟合RankIQA的效果
- train_pose_qua.py: 一个网络同时完成预测人脸角度和图像质量的任务
- 先使用该网络分别完成单个任务,观察最终loss可以下降到多少,这个值是这个网络性能的极限
- 防止一个任务的loss被另一个任务影响,需要将两个任务的loss加权,当作反向传播的loss
- 分别打印出两个任务的loss,观察是否下降到单任务时的最小loss
- 训练时发现在低质量图像时网络性能很差,对图像的质量label进行非线性拉伸到 0-10,使用的非线性www.biyezuopin.vip
拉伸公式为 qua_final = qua0.4*(10./5.50.4) (label中的最大值为5.5)
- train_pose_qua.py: 一个网络同时完成预测人脸角度和图像质量的任务
源码下载地址:https://download.csdn.net/download/sheziqiong/85602575
源码下载地址:https://download.csdn.net/download/sheziqiong/85602575