基于伪标注与元重加权学习的图像美学质量评估
计算机视觉与模式识别
2022-01-11 v1 多媒体
摘要
在图像美学质量评估任务中，由于美学数据集呈正态分布，难以同时覆盖高分区域与低分区域。为减少标注误差并解决数据正态分布问题，我们提出了一种兼具分类与回归的新型美学混合数据集 AMD-CR，并训练了一个元重加权网络以对训练数据损失进行差异化重加权。此外，我们基于二分类任务的伪标签给出了一种分阶段训练策略，并将其用于分类与回归任务中不同阶段的审美训练。在网络结构构建上，我们构建了可适配任意尺寸输入图像的美学自适应块（AAB）结构。同时，我们还使用了高效通道注意力（ECA）以增强各任务的特征提取能力。实验结果表明，我们的方法在 SROCC 上较传统方法提升了 0.1112。该方法还可用于为无人机（UAV）与车辆寻找最佳美学路径规划。
引用
@article{arxiv.2201.02714,
title = {Pseudo-labelling and Meta Reweighting Learning for Image Aesthetic Quality Assessment},
author = {Xin Jin and Hao Lou and Huang Heng and Xiaodong Li and Shuai Cui and Xiaokun Zhang and Xiqiao Li},
journal= {arXiv preprint arXiv:2201.02714},
year = {2022}
}
备注
10 pages, 8 figures