Blind Image Quality Assessment via Deep Learning Aluna: Marília Isabelly R. Nogueira.

Apresentação em tema: "Blind Image Quality Assessment via Deep Learning Aluna: Marília Isabelly R. Nogueira."— Transcrição da apresentação:

1 Blind Image Quality Assessment via Deep Learning Aluna: Marília Isabelly R. Nogueira

2 Sumário Introdução e Motivação BIQA via Deep Learning Conclusão Bibliografia

3 Introdução O objectivo da avaliação da qualidade da imagem (IQA) é conceber uma abordagem para avaliar a qualidade de percepções visuais e de estímulos. Evidências psicológicas mostram que os seres humanos preferem realizar avaliações qualitativamente, em vez de numericamente.

4 Motivação Neste trabalho é apresentado um modelo de IQA cego, que aprende avaliações qualitativas diretamente e gera pontuações numéricas para utilização geral e comparação justa entre as imagens.

5 BIQA via Deep Learning A princiapal questão é: como obter uma IQA que resolva o enigma sobre como os seres humanos percebem imagens e tentar imitar a capacidade homínido?

6 BIQA via Deep Learning O julgamento subjetivo dos seres humanos é sempre considerada como o método mais preciso e confiável para avaliar a qualidade das imagens dadas. No entanto, o julgamento subjetivo nem sempre é adequado para aplicações porque exige tempo e trabalho. No entanto, ele é muito importante para projetar um modelo computacional adequado que simula automaticamente comportamentos visuais humanos, para avaliar imagens com precisão.

7 BIQA via Deep Learning Existentes métricas IQA podem ser classificados em três categorias de acordo com a acessibilidade da referência/original da imagem: 1)-referência completa IQA; 2) reduziu-referência IQA; 3) sem referência / cego IQA (Biqa). Dessas abordagens, O Biqa não exige qualquer informação de referência, que aumenta sua aplicabilidade e torna significativa na prática.

8 BIQA via Deep Learning O grande desafio, portanto, é como aprender as regras de descrições não- numéricas de seres humanos e uma saída de pontuação numérica para o acompanhamento de processamento de algortimos. Então para preencher a lacuna entre as amostras qualitativamente rotulados e saídas numéricas, um modelo Biqa via aprendizagem profunda é apresentado.

9 BIQA via Deep Learning A fim de facilitar a aprendizagem das descrições qualitativas dadas por seres humanos se reformulou a avaliação cega como um problema de classificação de cinco graus, correspondendo a cinco conceitos mentais explícitas ou seja, excelente, bom, regular, ruim e mau. Um modelo de qualidade simples é aplicado para produzir resultados numéricos para utilização geral.

10 BIQA via Deep Learning

11 Diferenças para outros métodos: 1.Muitos modelos adotam algoritmos de aprendizagem de máquina para encontrar a correlação entre imagens e pontuação, porém métodos convencionais de aprendizado de máquina tem profundidade suficiente para determinar a representação apenas de amostras ruidosas. 2.Todos estes métodos exploram a amostra numérica, que é uma forma não natural ao descrever a qualidade da imagem além de não ser informativo. 3.A maioria dos métodos precisam de um grande conjunto de imagens associado com subjetivas pontuações para alcançar uma bom desempenho, que é caro e demorado.

12 BIQA via Deep Learning Por isso a principal contribuição deste trabalho é a nova base de classificação para IQA. Este quadro é original e conceitualmente diferente do abordagens baseadas em regressão existente. Quatro vantagens significativas segue: 1)Razoabilidade: Como humanos preferem avaliar imagens com etiquetas linguísticas, o modelo baseado em classificação proposta é muito mais natural do que os modelos baseados em regressão. 2) Eficácia e Eficiência: O modelo proposto é cega universal. Os resultados experimentais mostram que a sua predicação é altamente correlacionada com a avaliação humana. Além disso, após a fase de aprendizagem, o modelo proposto tem muito baixa complexidade em tempo.

13 BIQA via Deep Learning 3) Robustez: O modelo é robusto ao pequeno tamanho da amostra do problema. Com o auxílio da estrutura-base de classificação, o novo modelo requer apenas uma pequena formação do tamanho definido para alcançar um desempenho notável. 4) Abrangência: O modelo pode fornecer três níveis de descrições de qualidade, isto é, as etiquetas qualitativoa, a distribuição de qualidade para uma dada população, e a pontuação numérica, que é mais informativo e abrangente do que o métodos IQA baseadas em regressão.

14 Conclusão

15 Bibliografia Blind Image Quality Assessment via Deep Learning http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=6872541 &

16 OBRIGADO!