论文阅读
文章平均质量分 67
WilsonAir
这个作者很懒,什么都没留下…
展开
-
Deep semantic segmentation of natural and medical images: a review
2020 Artificial Intelligence Review翻译:https://www.mubucm.com/doc/7UtQ6UCZAic翻译 2021-09-02 17:16:18 · 108 阅读 · 0 评论 -
2021-04-21
# [主动推理的盲图像质量评估|德州仪器TI.com.cn IEEE期刊和杂志| IEEE Xplore](https://ieeexplore.ieee.org/abstract/document/9376644)Wed Apr 21 2021 21:43:43 GMT+0800 (China Standard Time)第一节介绍--客观图像质量评估(IQA)旨在自动评估图像的感知质量。在图像获取,传输,压缩和存储的过程中,会引入各种失真,从而导致图像质量下降。通常,作为图像的最.翻译 2021-04-21 21:54:11 · 454 阅读 · 0 评论 -
TIM Blind Image Quality Measurement by Exploiting High-Order Statistics With Deep Dictionary Encodin
2020 TIM Blind Image Quality Measurement by Exploiting High-Order Statistics With Deep Dictionary Encoding NetworkWilson由于部署了用于训练端到端模型的深度神经网络(DNN),因此盲图像质量测量(BIQM)取得了长足的进步。大多数现有的基于DNN的BIQM方法都简单地将局部深度特征图与全局最大或平均池化层聚合在一起,以生成用于质量预测的整体特征向量。但是,这种池化策略无法捕获本地特翻译 2021-04-21 21:27:36 · 354 阅读 · 0 评论 -
End-to-End Blind Image Quality Prediction With Cascaded Deep Neural Network
End-to-End Blind Image Quality Prediction With Cascaded Deep Neural NetworkAbstract深度卷积神经网络(CNN)在图像识别方面取得了巨大的成功。许多图像质量评估(IQA)方法直接使用面向识别的CNN进行质量预测。但是,IQA任务的属性不同于图像识别任务。图像识别应该对视觉内容敏感并且对失真具有鲁棒性,而IQA应该对失真和视觉内容都敏感。本文针对盲IQA(BIQA)开发了一种面向IQA的CNN方法,该方法可以有效地表示质量翻译 2021-04-21 21:24:06 · 898 阅读 · 0 评论 -
26、Spatially Attentive Output Layer for Image Classification
CVPR 2020摘要大多数用于图像分类的卷积神经网络(cnn)使用全局平均池(GAP)和输出逻辑的全连接(FC)层。然而,这种空间聚集过程固有地限制了输出层位置特定信息的利用,尽管这种空间信息可以有利于分类。在本文中,我们提出了一个新的空间输出层,在现有的卷积特征映射的基础上显式地利用特定位置的输出信息。具体地说,在给定的空间特征映射下,通过在空间逻辑上引入注意掩模,用空间注意输出层(SAOL)代替先前的GAP-FC层。所提出的位置特定注意有选择地聚集目标区域内的空间逻辑,这不仅可以提...翻译 2020-08-05 21:01:08 · 1479 阅读 · 1 评论