ECCVDec, 2018

深度表示为什么是良好的感知质量特征？

PDF
TL;DR该研究分析了预训练卷积神经网络中的中间特征图如何提高感知质量，并提出了两种新的公式来评估深度 CNN 学习到的特征，发现使用这些特征能更好地预测人类质量判断， 进一步展示了利用该方法来选择深度特征用于形成新的损失函数可以提高单图超分辨率问题的图像重构质量。
发现论文，激发创造
  • 深度特征作为感知度量的不合理有效性

    通过实验发现基于深度学习的图像处理方法中的感知相似度可以对大多数经典感知度量方法取得更加优秀的表现。该结论并不仅仅针对于在 ImageNet 数据集上训练的 VGG 特征，而是适用于训练于不同深度架构和不同的学习方式（监督、自监督、无监督）的特征提取器。

    Jan, 2018

  • 将深度网络特征应用于捕捉心理表征

    使用深度神经网络进行物体分类，可以占人类相似性判断的重要部分，但不能捕捉到人类表现中的一些关键性质。我们开发了一种方法，将深层特征与人类相似性判断对齐，以获取可用于扩展心理实验范围的图像表示。

    Aug, 2016

  • 卷积网络特征提取行为研究

    该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

    Mar, 2017

  • 一种增强的深度特征表示方法用于人员再识别

    本文提出 Feature Fusion Net 模型，使用手工制作的直方图和纹理特征，能够与卷积神经网络 (CNN) 特征互补，可以得到一个更具区分性和紧凑的深度特征表示，并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。

    Apr, 2016

  • 卷积神经网络在视觉实例检索中的最佳实践是什么？

    本文对多种因素对卷积神经网络（CNN）提取的特征代表性的影响进行了全面评估，提出了一种新的多尺度图像特征表示方法来有效编码图像，并在可视化目标检索的四个典型数据集上表现出了优异的性能。

    Nov, 2016

  • 对抗性训练中学习的深度超参数选择及感知评价在压缩视频增强中的应用

    在这篇论文中，我们提出了一种基于神经科学解释的方法，用于从大型分类网络中选择感知相关的层作为度量的特征空间，并将选定的层作为 W-GAN 中的超参数。利用这些层的输出来提取感知信息，进而通过这个评价器对视频增强网络进行对抗性训练，在 FID 和 KID 方面，我们的结果表明，这种方法的性能提高了 10% 和 15%。

    Feb, 2023

  • 使用深度学习进行盲图像质量评估

    这篇研究使用深度学习技术进行失真通用的盲目图像质量评估，通过将子区域的评分进行平均池化，使用分类基础图像质量评估的 CNN 微调提取的特征，使用 SVR 机器计算每个子区域的评分，进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法，并且在很多情况下，比普通的人类观察者的评分更加接近平均观察者的评分。

    Feb, 2016

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

    Sep, 2016

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 利用增强感知超分辨率网络分析感知 - 失真权衡

    本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

    Nov, 2018