基于深度特征的无参考视觉质量评估可复现性的批判性分析
计算机视觉与模式识别
2021-03-02 v3 机器学习
摘要
用于训练监督式机器学习模型的数据通常被划分为相互独立的训练集、验证集和测试集。本文指出，在无参考图像与视频质量评估文献中已出现复杂的数据泄漏案例。近来，若干期刊论文所报告的性能结果远高于该领域最佳水平。然而，我们的分析表明，测试集中的信息以不同方式被不恰当地用于训练过程，且所声称的性能结果无法达到。在纠正数据泄漏后，这些方法的性能大幅跌落至远低于当前最优(state-of-the-art, SOTA)水平。此外，我们探究了针对上述方法的端到端变体，其并未优于原方法。
引用
@article{arxiv.2009.05369,
title = {Critical analysis on the reproducibility of visual quality assessment using deep features},
author = {Franz Götz-Hahn and Vlad Hosu and Dietmar Saupe},
journal= {arXiv preprint arXiv:2009.05369},
year = {2021}
}
备注
27 pages, 8 figures, PLOS ONE journal. arXiv admin note: text overlap with arXiv:2005.04400