-
公开(公告)号：CN116596915A
公开(公告)日：2023-08-15
申请号：CN202310684778.8
申请日：2023-06-09
Applicant: 西安电子科技大学 , 西安电子科技大学杭州研究院
IPC: G06T7/00 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 基于多尺度特征和长距离依赖的盲图像质量评价方法，包括以下步骤；步骤1，获取训练样本集和测试样本集；步骤2，构建基于多尺度特征和长距离依赖关系的无参考图像质量评价方法网络模型；用于提取和融合图像的多尺度特征和长距离依赖关系以回归到图像质量分数；步骤3，对基于多尺度特征和长距离依赖关系的无参考图像质量评价方法网络模型进行迭代训练；步骤4，获取图像的无参考质量评价结果。本发明用于解决现有方法参数量大、计算效率低的问题和现有方法忽略对多尺度特征和局部质量特征之间的长距离依赖关系的融合而导致模型预测结果与人类视觉感知一致性低的问题。
-
Patent Agency Ranking
公开(公告)号：CN116168011A
公开(公告)日：2023-05-26
申请号：CN202310256035.0
申请日：2023-03-16
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06N3/08 , G06N3/0464
Abstract: 基于多粒度网络的无参考图像质量评价方法，包括以下步骤；步骤1，获取训练样本集B和测试样本集C：步骤2，构建基于多粒度网络的无参考图像质量评价网络模型S：步骤3，对基于多粒度网络的无参考图像质量评价网络模型S进行迭代训练，得到训练好的基于多粒度网络的无参考图像质量评价网络模型S*；步骤4，获取图像的无参考质量评价结果：将测试样本集C作为训练完成的基于多粒度网络的无参考图像质量评价网络模型S*的输入进行前向推理，得到每个测试样本的质量预测分数，以验证模型效果。本发明通过分析不同粒度的图像块中包含的丰富局部特征，实现图像的无参考质量评价与分析评价。
-
公开(公告)号：CN113222032B
公开(公告)日：2023-03-10
申请号：CN202110546001.6
申请日：2021-05-19
Applicant: 西安电子科技大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种基于自注意图像编码的无参考图像质量评价方法，其步骤为：获取训练样本集和测试样本集；构建基于自注意图像编码的无参考图像质量评价网络模型；对基于自注意图像编码的无参考图像质量评价网络模型进行迭代训练；获取无参考图像质量评价结果。本发明所构建的无参考图像质量评价网络模型中的自注意图像编码器通过对每个样本低维映射的特征进行自注意编码，全连接层对每个特征进行自注意编码得到的包含图像整体注意力信息和细节的深度感知特征进行回归，以获取每个样本对应的质量预测分数，避免了现有技术中所获取的感知特征缺乏足够深度的图像整体注意力信息和细节对评价精度的影响，有效地提高了无参考图像的质量评价精度。
-
公开(公告)号：CN113313683B
公开(公告)日：2023-03-24
申请号：CN202110589228.9
申请日：2021-05-28
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于元迁移学习的无参考视频质量评价方法，实现步骤为：获取预训练集、元训练支持集和查询集；构建图像质量评价网络模型G；对图像质量评价网络模型G进行迭代训练；构建基于元迁移的视频质量评价网络模型H；对视频质量评价网络模型H进行元训练；获取视频质量评价结果。本发明将预训练好的图像质量评价网络模型的图像失真特征提取模块的结构及权值参数迁移到视频质量评价网络模型的特征提取网络，并为特征提取网络最后一个卷积层的卷积核分配可元训练的缩放系数，解决了现有技术迁移后的模型提取的特征与视频失真特征差异较大和模型在训练时所需更新的参数量很大的问题，提高了基于元迁移学习的无参考视频质量评价的准确度和效率。
-
公开(公告)号：CN113313683A
公开(公告)日：2021-08-27
申请号：CN202110589228.9
申请日：2021-05-28
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于元迁移学习的无参考视频质量评价方法，实现步骤为：获取预训练集、元训练支持集和查询集；构建图像质量评价网络模型G；对图像质量评价网络模型G进行迭代训练；构建基于元迁移的视频质量评价网络模型H；对视频质量评价网络模型H进行元训练；获取视频质量评价结果。本发明将预训练好的图像质量评价网络模型的图像失真特征提取模块的结构及权值参数迁移到视频质量评价网络模型的特征提取网络，并为特征提取网络最后一个卷积层的卷积核分配可元训练的缩放系数，解决了现有技术迁移后的模型提取的特征与视频失真特征差异较大和模型在训练时所需更新的参数量很大的问题，提高了基于元迁移学习的无参考视频质量评价的准确度和效率。
-
公开(公告)号：CN113222032A
公开(公告)日：2021-08-06
申请号：CN202110546001.6
申请日：2021-05-19
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于自注意图像编码的无参考图像质量评价方法，其步骤为：获取训练样本集和测试样本集；构建基于自注意图像编码的无参考图像质量评价网络模型；对基于自注意图像编码的无参考图像质量评价网络模型进行迭代训练；获取无参考图像质量评价结果。本发明所构建的无参考图像质量评价网络模型中的自注意图像编码器通过对每个样本低维映射的特征进行自注意编码，全连接层对每个特征进行自注意编码得到的包含图像整体注意力信息和细节的深度感知特征进行回归，以获取每个样本对应的质量预测分数，避免了现有技术中所获取的感知特征缺乏足够深度的图像整体注意力信息和细节对评价精度的影响，有效地提高了无参考图像的质量评价精度。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
