基于迁移学习的面向效用水下图像质量评价
计算机视觉与模式识别
2022-05-10 v1 图像与视频处理
摘要
广泛的图像应用极大地推动了基于视觉的任务，其中图像质量评价（IQA）技术已成为日益重要的问题。对于多媒体系统中的用户享受，IQA 利用图像保真度与美学来刻画用户体验；而对于如热门目标识别等其他任务，效用与感知之间的相关性较低。在此情形下，基于保真度和基于美学的 IQA 方法无法直接应用。为解决该问题，本文提出一种面向效用的目标识别 IQA。具体而言，我们在水下鱼类检测这一尚未完美解决的关键任务场景中开展研究。基于该任务，我们构建了水下图像效用数据库（UIUD）和基于学习的水下图像效用度量（UIUM）。受基于保真度 IQA 的自顶向下设计启发，我们利用目标识别的深度模型并将其特征迁移至我们的 UIUM。实验验证所提出的基于迁移学习的 UIUM 在识别任务中取得了良好性能。我们期望本研究能为连接 IQA 与计算机视觉的研究提供见解。
引用
@article{arxiv.2205.03574,
title = {Utility-Oriented Underwater Image Quality Assessment Based on Transfer Learning},
author = {Weiling Chen and Rongfu Lin and Honggang Liao and Tiesong Zhao and Ke Gu and Patrick Le Callet},
journal= {arXiv preprint arXiv:2205.03574},
year = {2022}
}