OIQA——论文精度系列

CONVOLUTIONAL NEURAL NETWORKS FOR OMNIDIRECTIONAL IMAGE QUALITY
ASSESSMENT: PRE-TRAINED OR RE-TRAINED?

Sendjasni A, Larabi M C, Cheikh F A. Convolutional Neural Networks for Omnidirectional Image Quality Assessment: Pre-Trained or Re-Trained?[C]//2021 IEEE International Conference on Image Processing (ICIP). IEEE, 2021: 3413-3417.

---

文章结构

• Abstract
• 1.Introduction
• 2.The proposed benchmark
  • 2.1. Pre-trained CNN models
  • 2.2. Benchmark architecture
    • 2.2.1. ERP-based model
    • 2.2.2. Viewports-based model
    • 2.2.3. Quality regression block
• 3. Experimental results
  • 3.1. Experimental setting
  • 3.2. Performance evaluation
  • 3.3. Results and discussion
• 4. Conclusion
• 5. Acknowledgements
• 6. References

---

本文创新点

1. 使用预训练模型的方式是否适用于OIQA任务？
2. 基于ERP和基于视口，哪种训练模式更好？

本文创新点就在于对以上两个问题的探索与解答。

---

总结

提示：这里对文章进行总结：

 

 

• ERP or  VP : 观看者往往看不到整个全景图像，所以他们在给图像质量评级的时候，往往基于的也只是全景图像的一部分。
• The number of the VP  imputs :  在re-trained 模型中视口数量的增加对模型性能改进不大。resnet-34和resnet-50随着视口数量的增多性能提升，在 vp=24 时，性能轻微下降；基本都是在 vp=16 时性能达到饱和。
• Re-trained or Pre-trained :  re-trained 与 pre-trained相比，性能提升很多，这可以解释为训练型模型在超过10000个样本的时候会有一个好的性能表现。