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
- 使用预训练模型的方式是否适用于OIQA任务?
- 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。