3D No-Reference Image Quality Assessment via Transfer Learning and Saliency-Guided Feature Consolid

论文提出一种3D无参考图像质量评估方法,通过迁移学习微调CNN提取特征,并结合显著性图指导的特征融合及多尺度视差信息,最后用SVR训练模型。微调网络能有效提取3D图像失真特征,显著性图强调关键区域,视差信息增强立体感知。
摘要由CSDN通过智能技术生成

摘要

该论文方法主要有两步,第一步采用迁移学习思想,对已存在的网络微调最后一层形成特征提取算子提取特征,第二步使用显著性图作为权重将左右视图提取的特征进行融合,额外的再加上多尺度下的视差信息。将以上提取的特征作为训练所用的数据,最后采用SVR进行训练。

介绍

图像质量评价的主要思想是提取能够反映失真水平的特征,传统的方法里主要有以下两种:基于NSS的特征和基于HVS的特征,但是这些都需要花费大量的时间来寻找这些特征。因此这里的论文方法采用基于CNN的特征提取,首先直接将预训练网络应用于IQA中并不高效,因此这里采用预训练网路进行微调,微调后的网络能够很好的应用于3DIQA特征提取中。在利用微调的网络提取特征后再利用显著性信息进行左右视图的特征融合。3D视图还有一个重要的信息是视差信息,因此这里将视差信息也作为最后特征的一部分,最后将以上所有的特征进行SVR训练。
算法框架在这里插入图片描述

算法详解

迁移学习的可行性

预训练网络是从大规模数据集中训练得出的,因此只要使用的数据集不超过特定的领域,微调方法都能取得比较良好的效果。原因: 1、与训练网络能够提取一些通用的特征,如轮廓和边缘等,这些对于失真的情况的测量是有用的;2、IQA的数据集和ImageNet的数据集存在某些相似性。

系统的分析微调CNN

微调所要做的是让CNN的后面层对

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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