ترجمه مقاله ارزیابی کیفیت تصویر تاریک با فراگیری کیفی

ترجمه مقاله ارزیابی کیفیت تصویر تاریک با فراگیری کیفی

ترجمه مقاله Blind Image Quality Assessment via Deep Learning

چکیده فارسی:

این مقاله علمی به بررسی ارزیابی کیفیت دیداری تصویر با استفاده از فراگیری قوانین زبانشناختی می پردازد. شواهد گسترده روانشناختی نشان می دهند که انسان ها ترجیح می دهند تا ارزیابی خود را بیشتر بر اساس کیفیت انجام دهند تا اینکه بخواهند به کمیت متکی باشند. ارزیابی های کیفی از این حیث به امتیازهای عددی تبدیل می شوند تا پایه ای باشد عینی برای ارزیابی کیفی تصاویر. به تازگی، از این روش الگوهایی ارائه گردیده که از طریق تجزیه و تحلیل تصویر های منتخب بر این اساس امتیاز داده شده است. با این وجود، نقشه برداری فرا گرفته شده به سختی می تواند دقیق باشد زیر برخی از اطلاعات در روند تبدیل آنها از توصیفات زبانشناختی به امتیازهای عددی از دست رفته اند. در این مقاله به بررسی ارزیابی کیفیت تصویر مات با استفاد از الگوی فراگیری کیفی می پردازیم. که ارزیابی است کیفی به طور مستقیم و اعدادی را به دست می دهد که برای کاربرد کلی و مقایسه منطقی قابل استفاده می باشند. تصاویر با استفاده از آمار طبیعی مشخصات صحنه ارائه می شوند. الگویی تمییز دهنده مورد تدقیق قرار می گیرد تا تمامی مشخصات را به پنج رده کلی تقسیم نماید که شامل پنج مفهوم ذهنی می باشند. که با کلماتی چون عالی، خوب، مناسب، ضعیف و بد قابل بیان می باشند. یک نوع آمارگیری کیفی جدید طراحی شده باید برای تبدیل برچسب های کیفی به امتیازات عددی مورد استفاده قرار گیرد. چارچوب طبقه بندی آن قدرها هم طبیعی تر از الگوهای برگشت پذیر نمی باشند. اما در عین حال نسبت به مشکل اندازه نمونه آماری ما بسیار بزرگترند. آزمایشات کامل و جامع بر پایگاه داده های عمومی صورت گرفته تا تاثیر و سودمندی الگو را به همراه کفایت و جامعیت آن مورد بررسی قرار دهد.

در این پست از سایت، برای شما کاربران گرامی، ترجمه مقاله ارزیابی کیفیت تصویر تاریک با فراگیری کیفی را با عنوان انگلیسی Blind Image Quality Assessment via Deep Learning آماده کرده ایم که با مراجعه به ادامه مطلب می تواید اصل مقاله را دریافت نمائید.

چکیده انگلیسی:

This paper investigates how to blindly evaluate the visual quality of an image by learning rules from linguistic descriptions. Extensive psychological evidence shows that humans prefer to conduct evaluations qualitatively rather than numerically. The qualitative evaluations are then converted into the numerical scores to fairly benchmark objective image quality assessment (IQA) metrics. Recently, lots of learning-based IQA models are proposed by analyzing the mapping from the images to numerical ratings. However, the learnt mapping can hardly be accurate enough because some information has been lost in such an irreversible conversion from the linguistic descriptions to numerical scores. In this paper, we propose a blind IQA model, which learns qualitative evaluations directly and outputs numerical scores for general utilization and fair comparison. Images are represented by natural scene statistics features. A discriminative deep model is trained to classify the features into five grades, corresponding to five explicit mental concepts, i.e., excellent, good, fair, poor, and bad. A newly designed quality pooling is then applied to convert the qualitative labels into scores. The classification framework is not only much more natural than the regression-based models, but also robust to the small sample size problem. Thorough experiments are conducted on popular databases to verify the model’s effectiveness, efficiency, and robustness.