对于盲人持续学习的任务特定规范化 图像质量模型

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 盲人图像质量评估 (BIQA) 对于评估没有参考图像的图像真实性至关重要.
• 持续学习的方法旨在使模型适应新的任务,而不忘记以前的任务,这是BIQA的一个挑战.
• 现有的BIQA方法难以适应新的数据集,同时保持先前学习的任务的性能.

研究的目的:

• 为BIQA开发一种简单有效的持续学习方法.
• 提高BIQA模型中的质量预测准确性和可塑性-稳定性权衡.
• 为了提高对任务顺序和长度变化的稳定性.

主要方法:

• 为BIQA提出了一种新的持续学习方法.
• 关键的技术是结预训练的深度神经网络 (DNN) 卷积波器以保持稳定.
• 任务特定的规范化参数被学习为可塑性,每一个新的IQA数据集被分配一个预测头.
• 一个轻量级的K-means关门机制用于所有头的预测的加权总和.

主要成果:

• 拟议的方法证明了质量预测准确度的提高.
• 与以前的技术相比,它实现了更好的可塑性-稳定性权衡.
• 该方法显示了对不同任务顺序和长度的稳定性.
• 在六个IQA数据集上的实验验证实了该方法的优势.

结论:

• 提出的方法提供了一个简单而有效的解决方案,用于BIQA的持续学习.
• 结DNN过器和学习特定任务的规范化参数是一个成功的策略.
• 该技术为自适应BIQA系统提供了更高的准确性,稳定性和稳定性.