CN113313682B - 基于时空多尺度分析的无参考视频质量评价方法 - Google Patents
基于时空多尺度分析的无参考视频质量评价方法 Download PDFInfo
- Publication number
- CN113313682B CN113313682B CN202110589087.0A CN202110589087A CN113313682B CN 113313682 B CN113313682 B CN 113313682B CN 202110589087 A CN202110589087 A CN 202110589087A CN 113313682 B CN113313682 B CN 113313682B
- Authority
- CN
- China
- Prior art keywords
- convolution
- module
- space
- quality evaluation
- attention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 235000009508 confectionery Nutrition 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提出了一种基于时空多尺度分析的无参考视频质量评价方法,实现步骤为:获取训练样本集和测试样本集;构建基于时空多尺度分析的无参考视频质量评价模型;对无参考视频质量评价模型进行迭代训练;获取无参考视频的质量评价结果。本发明在对无参考视频质量评价模型进行训练和获取质量评价结果的过程中,时空多尺度模块通过下采样得到不同尺度的帧序列局部时空失真特征,时空注意力分析模块对得到的时空失真特征的显著性进行分析,进而获取更为准确待测视频的全局质量表示,避免了现有技术中因为缺失帧序列的失真信息导致视频质量评价准确度较低的技术问题,有效地提高了复杂的无参考多种帧率视频质量评价准确度。
Description
技术领域
本发明属于视频处理技术领域,涉及一种视频质量评价方法,具体涉及一种基于时空多尺度分析的无参考视频质量评价方法,可用于对视频质量的改善进行指导。
背景技术
近几年,随着视频技术的飞速发展,数字视频已越来越多地进入人们的工作和日常生活中。通常,视频需经过采集、压缩、传输和解压缩等处理阶段,而在这些处理阶段中,视频往往会产生一些失真现象,这些失真都会造成视频质量的降低。因此,寻找一个准确有效的视频质量评价方法,以指导改善视频质量变得尤为重要。
视频质量评价方法根据对原始视频信息的依赖程度可分为三种:全参考视频质量评价方法、部分参考视频质量评价方法和无参考视频质量评价方法。全参考视频质量评价方法是指把原始参考视频与失真视频在每一个对应帧中的每一个对应像素之间进行比较。部分参考视频质量评价方法则是针对一个视频传输系统,在发送端提取原始视频的一些统计特征,将其通过辅助信道传送到该系统的接收端,并与接收端得到的失真视频的对应特征进行比较,以获得相应的视频质量评价分数。无参考视频质量评价方法则不需要原始视频的任何先验信息,通常使用参考视频或者相应特征的估计值,直接对失真视频进行质量评价,这种方法体现了人类的智能。
无参考视频质量评价方法由于具有灵活性高、实时性好、成本低且不需要任何原始视频信息等优点,成为了视频质量评价领域的研究热点,也是目前发展空间最大、最具实际应用价值的评价方法。传统的无参考视频质量评价方法在面对传统的标准24帧/秒或30帧/秒的视频时有着较好的评价效果,但因为其并未考虑帧速率对人类视频质量感知的影响,使得视频质量评价模型在面对多种帧率视频尤其是高帧率视频的时候,评价效果大打折扣。
为了避免忽略时域失真特征,导致传统的无参考视频质量评价方法无法很好地面对多种帧率视频,基于时空特征信息的无参考视频质量评价方法应运而生,例如,申请公布号为CN112784698A,名称为“一种基于深层次时空信息的无参考视频质量评价方法”的专利申请,该发明利用Resnet-50预训练的深度神经网络,提取顶层的语义层特征后对特征图进行均值聚合与标准差聚合,然后分别从两个方面对时间记忆效应进行建模,在特征整合方面,采用GRU网络对长期依赖关系进行建模,在质量聚合方面,提出主观启发的时间池化模型并将其嵌入到网络中。但是其存在的缺陷在于,该发明仅提取了一个尺度的时空失真特征,获取的失真信息并不足够丰富,导致对于复杂的多种帧率视频的评价准确度仍有所欠佳。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出一种基于时空多尺度分析的无参考视频质量评价方法,用于解决现有技术中存在的失真信息不够丰富导致视频质量评价准确度较低的技术问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)获取训练样本集Xtrain和测试样本集Xtest:
获取自然视频公知数据集中的V个失真视频的帧序列F={fv|1≤v≤V},并随机选取F中半数以上的帧序列及其对应的真实质量分数组成训练样本集Xtrain=(Ftrain;Ytrain),将剩余的帧序列及其对应的真实质量分数组合成测试样本集Xtest=(Ftest;Ytest),其中,fv表示数据集中的第v个帧序列,Ftrain表示训练帧序列集合,表示第v1个训练帧序列,Ytrain表示对应的真实质量分数集合,表示对应的真实质量分数,Ftest表示测试帧序列集合, 表示第v2个测试帧序列,Ytest表示对应的真实质量分数集合,表示对应的真实质量分数,V≥150,V2=V-V1;
(2)构建基于时空多尺度分析的无参考视频质量评价模型H:
构建包括顺次连接的局部失真特征编码模块Henc、时空多尺度模块Hmul和时空注意力分析模块Hpool的无参考视频质量评价模型H,其中,局部失真特征编码模块Henc采用去除最后一个全连接层的VGG-16网络结构;时空多尺度模块Hmul包括并行排布的两个平均池化层及一个由多个平均池化层组成的下采样模块;时空注意力分析模块Hpool包括顺次连接的注意力分析器、归一化层和全连接层,注意力分析器包括多个全连接层;
(3)对无参考视频质量评价模型H进行迭代训练:
(3a)设迭代次数为t,最大迭代次数为T,T≥50,第t次迭代的无参考视频质量评价模型为Ht,并令t=1,Ht=H;
(3c)时空多尺度模块中的两个下采样层及下采样模块分别对提取的进行下采样,得到每个帧序列在不同时空尺度上的局部失真特征表示组合成的局部失真信息其中,表示第v1个帧序列的第i个图像帧的第j个局部失真特征,表示第v1个帧序列包含的图像帧个数,N表示从每个图像帧中提取的局部失真特征个数;
(3d)时空注意力分析模块中的注意力分析器对所采集的进行显著性评估得到注意力权重并通过归一化层对进行归一化,得到最终注意力权重利用对进行加权得到全局失真特征最后利用全连接层对进行回归得到的预测质量分数则Ftrain的预测质量分数为其中,表示第v1个帧序列的第i个图像帧的第j个局部失真特征对应的注意力权重,表示第v1个帧序列的第i个图像帧的第j个局部失真特征对应的归一化后的注意力权重;
(3e)采用最小绝对误差LAE的公式,通过和Ytrain计算时空注意力分析模块的损失值Lt,并采用反向传播方法,通过损失值Lt计算的权值参数梯度dωt,然后采用随机梯度下降法,通过dωt对的权值参数ωt进行更新;
(3f)判断t≥T是否成立,若是,得到训练好的无参考视频质量评价模型H′,否则,令t=t+1,并执行步骤(3b);
(4)获取无参考视频的质量评价结果:
本发明与现有技术相比较,具有以下优点:
本发明在对无参考视频质量评价模型进行训练和获取质量评价结果的过程中,时空多尺度模块中的多个分支对提取的帧序列的空间失真特征进行下采样,得到不同尺度的帧序列局部时空失真特征,时空注意力分析模块中的多层感知器对得到的时空失真特征的显著性进行分析,从而得到局部时空失真特征所对应的注意力权重,然后对局部时空失真特征进行加权,获取更为准确待测视频的全局质量表示,避免了现有技术中因为缺失帧序列的失真信息导致视频质量评价准确度较低的技术问题,有效地提高了复杂的无参考多种帧率视频质量评价准确度。
附图说明
图1是本发明的实现流程图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明包括如下步骤:
步骤1)获取训练样本集Xtrain和测试样本集Xtest:
获取自然视频公知数据集中的V个失真视频的帧序列F={fv|1≤v≤V},并随机选取F中半数以上的帧序列及其对应的真实质量分数组成训练样本集Xtrain=(Ftrain;Ytrain),将剩余的帧序列及其对应的真实质量分数组合成测试样本集Xtest=(Ftest;Ytest),其中,fv表示数据集中的第v个帧序列,Ftrain表示训练帧序列集合,表示第v1个训练帧序列,Ytrain表示对应的真实质量分数集合,表示对应的真实质量分数,Ftest表示测试帧序列集合, 表示第v2个测试帧序列,Ytest表示对应的真实质量分数集合,表示对应的真实质量分数,本实例中,V=150,V1=120,V2=30。
步骤2)构建基于时空多尺度分析的无参考视频质量评价模型H:
构建包括顺次连接的局部失真特征编码模块Henc、时空多尺度模块Hmul和时空注意力分析模块Hpool的无参考视频质量评价模型H,其中,局部失真特征编码模块Henc采用去除最后一个全连接层的VGG-16网络结构;时空多尺度模块Hmul包括并行排布的两个平均池化层及一个由多个平均池化层组成的下采样模块;时空注意力分析模块Hpool包括顺次连接的注意力分析器、归一化层和全连接层,注意力分析器包括多个全连接层。
局部失真特征编码模块Henc包括5个卷积模块和2个全连接层,其具体结构为:第一卷积模块→第二卷积模块→第三卷积模块→第四卷积模块→第五卷积模块→第一全连接层→第二全连接层。
第一卷积模块和第二卷积模块均由2个卷积层和1个最大池化层组成,具体结构为:第一卷积层→第二卷积层→第一最大池化层;卷积层的卷积核大小均为3×3,步长均为1,第一卷积模块的2个卷积层的卷积核数量均为64,第二卷积模块的2个卷积层的卷积核数量均为128。
第三、第四和第五卷积模块均由3个卷积层和1个最大池化层组成,所述卷积模块的具体结构为:第一卷积层→第二卷积层→第三卷积层→第一最大池化层;卷积层的卷积核大小均为3×3,步长均为1,第三卷积模块的3个卷积层的卷积核数量均设置为256,第四、第五卷积模块的3个卷积层的卷积核数量均设置为512。
时空多尺度模块Hmul所包含的下采样模块由2个平均池化层组成。
时空注意力分析模块Hpool所包含的注意力分析器包括2个全连接层。
步骤3)对无参考视频质量评价模型H进行迭代训练:
步骤3a)设迭代次数为t,最大迭代次数为T,第t次迭代的无参考视频质量评价模型为Ht,本实例中,T=50,并令t=1,Ht=H。
步骤3c)时空多尺度模块Hmul中的两个下采样层及下采样模块分别对提取的进行下采样:第一个下采样层中,通过尺度为4的空间平均池化对进行空间下采样;第二个下采样层中,通过尺度为4的时间平均池化对进行时间下采样;采样模块中,通过尺度分别为2的时间平均池化和间平均池化,对依次进行时间下采样和空间平均池化,从而得到三个尺度的局部时空失真特征矩阵,重新定义这三个局部时空失真特征矩阵的大小使其尺寸统一,并用concat方法将这三个矩阵进行拼接,得到每个帧序列在不同时空尺度上的局部失真特征表示组合成的局部失真信息其中,表示第v1个帧序列的第i个图像帧的第j个局部失真特征,表示第v1个帧序列包含的图像帧个数,N表示从每个图像帧中提取的局部失真特征个数。
步骤3d)时空注意力分析模块中的注意力分析器对所采集的进行显著性评估得到注意力权重并通过归一化层对进行归一化,将其映射到相同的[0,1]范围内,以消除量纲对数据分析的影响,得到最终注意力权重利用对进行加权得到全局失真特征最后利用全连接层对进行回归得到的预测质量分数则Ftrain的预测质量分数为其中,表示第v1个帧序列的第i个图像帧的第j个局部失真特征对应的注意力权重,表示第v1个帧序列的第i个图像帧的第j个局部失真特征对应的归一化后的注意力权重,其中:
时空注意力分析模块不是平等对待所有局部失真特征,而是使用多层感知器分析局部失真特征的显著性,从而得到局部失真特征在各时空域的注意力权重,因此可以更好地应对帧内和帧间的失真不均匀的视频,得到更为准确待测视频的全局质量表示。
步骤3e)采用最小绝对误差LAE的公式,通过和Ytrain计算时空注意力分析模块的损失值Lt,并采用反向传播方法,通过损失值Lt计算的权值参数梯度dωt,然后采用随机梯度下降法,通过dωt对的权值参数ωt进行更新,计算公式为:
ω*=ωt-αdωt
步骤3f)判断t≥50是否成立,若是,得到训练好的无参考视频质量评价模型H′,否则,令t=t+1,并执行步骤3b)。
步骤4)获取无参考视频的质量评价结果:
Claims (4)
1.一种基于时空多尺度分析的无参考视频质量评价方法,其特征在于,包括如下步骤:
(1)获取训练样本集Xtrain和测试样本集Xtest:
获取自然视频公知数据集中的V个失真视频的帧序列F={fv|1≤v≤V},并随机选取F中半数以上的帧序列及其对应的真实质量分数组成训练样本集Xtrain=(Ftrain;Ytrain),将剩余的帧序列及其对应的真实质量分数组合成测试样本集Xtest=(Ftest;Ytest),其中,fv表示数据集中的第v个帧序列,Ftrain表示训练帧序列集合, 表示第v1个训练帧序列,Ytrain表示对应的真实质量分数集合, 表示对应的真实质量分数,Ftest表示测试帧序列集合, 表示第v2个测试帧序列,Ytest表示对应的真实质量分数集合, 表示对应的真实质量分数,V≥150,V2=V-V1;
(2)构建基于时空多尺度分析的无参考视频质量评价模型H:
构建包括顺次连接的局部失真特征编码模块Henc、时空多尺度模块Hmul和时空注意力分析模块Hpool的无参考视频质量评价模型H,其中,局部失真特征编码模块Henc采用去除最后一个全连接层的VGG-16网络结构;时空多尺度模块Hmul包括并行排布的两个平均池化层及一个由多个平均池化层组成的下采样模块;时空注意力分析模块Hpool包括顺次连接的注意力分析器、归一化层和全连接层,注意力分析器包括多个全连接层;
(3)对无参考视频质量评价模型H进行迭代训练:
(3a)设迭代次数为t,最大迭代次数为T,T≥50,第t次迭代的无参考视频质量评价模型为Ht,并令t=1,Ht=H;
(3c)时空多尺度模块中的两个下采样层及下采样模块分别对提取的进行下采样,具体为:第一个下采样层中,通过尺度为4的空间平均池化对进行空间下采样;第二个下采样层中,通过尺度为4的时间平均池化对进行时间下采样;采样模块中,通过尺度分别为2的时间平均池化和空间平均池化,对依次进行时间下采样和空间平均池化,从而得到三个尺度的局部时空失真特征矩阵,重新定义这三个局部时空失真特征矩阵的大小使其尺寸统一,并用concat方法将这三个矩阵进行拼接,得到每个帧序列在不同时空尺度上的局部失真特征表示组合成的局部失真信息其中, 表示第v1个帧序列的第i个图像帧的第j个局部失真特征,表示第v1个帧序列包含的图像帧个数,N表示从每个图像帧中提取的局部失真特征个数;
(3d)时空注意力分析模块中的注意力分析器对所采集的局部失真信息进行显著性评估得到注意力权重并通过归一化层对进行归一化,得到最终注意力权重利用对进行加权得到全局失真特征最后利用全连接层对进行回归得到的预测质量分数则Ftrain的预测质量分数为其中,表示第v1个帧序列的第i个图像帧的第j个局部失真特征对应的注意力权重,表示第v1个帧序列的第i个图像帧的第j个局部失真特征对应的归一化后的注意力权重;
(3e)采用最小绝对误差LAE的公式,通过和Ytrain计算时空注意力分析模块的损失值Lt,并采用反向传播方法,通过损失值Lt计算的权值参数梯度dωt,然后采用随机梯度下降法,通过dωt对的权值参数ωt进行更新;
(3f)判断t≥T是否成立,若是,得到训练好的无参考视频质量评价模型H′,否则,令t=t+1,并执行步骤(3b);
(4)获取无参考视频的质量评价结果:
2.根据权利要求1所述的基于时空多尺度分析的无参考视频质量评价方法,其特征在于,步骤(2)中所述的无参考视频质量评价模型H,其中:
局部失真特征编码模块Henc包括5个卷积模块和2个全连接层,其具体结构为:第一卷积模块→第二卷积模块→第三卷积模块→第四卷积模块→第五卷积模块→第一全连接层→第二全连接层;
第一卷积模块和第二卷积模块均由2个卷积层和1个最大池化层组成,具体结构为:第一卷积层→第二卷积层→第一最大池化层;卷积层的卷积核大小均为3×3,步长均为1,第一卷积模块的2个卷积层的卷积核数量均为64,第二卷积模块的2个卷积层的卷积核数量均为128;
第三、第四和第五卷积模块均由3个卷积层和1个最大池化层组成,所述卷积模块的具体结构为:第一卷积层→第二卷积层→第三卷积层→第一最大池化层;卷积层的卷积核大小均为3×3,步长均为1,第三卷积模块的3个卷积层的卷积核数量均设置为256,第四、第五卷积模块的3个卷积层的卷积核数量均设置为512;
时空多尺度模块Hmul所包含的下采样模块由2个平均池化层组成;
时空注意力分析模块Hpool所包含的注意力分析器包括2个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589087.0A CN113313682B (zh) | 2021-05-28 | 2021-05-28 | 基于时空多尺度分析的无参考视频质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589087.0A CN113313682B (zh) | 2021-05-28 | 2021-05-28 | 基于时空多尺度分析的无参考视频质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313682A CN113313682A (zh) | 2021-08-27 |
CN113313682B true CN113313682B (zh) | 2023-03-21 |
Family
ID=77375901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110589087.0A Active CN113313682B (zh) | 2021-05-28 | 2021-05-28 | 基于时空多尺度分析的无参考视频质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313682B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051482B (zh) * | 2022-12-29 | 2024-04-09 | 青海大学 | 一种基于多任务渐进学习的无参考图像质量评价方法 |
CN117611548A (zh) * | 2023-11-22 | 2024-02-27 | 武汉大学 | 一种基于失真信息的图像质量评价方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740119A (zh) * | 2011-04-15 | 2012-10-17 | 特克特朗尼克公司 | 用于预测三维视频的主观质量的全参考系统 |
CN106303507A (zh) * | 2015-06-05 | 2017-01-04 | 江苏惠纬讯信息科技有限公司 | 基于时空联合信息的无参考视频质量评估方法 |
CN107609492A (zh) * | 2017-08-25 | 2018-01-19 | 西安电子科技大学 | 基于脑电信号的失真图像质量感知评价方法 |
WO2018171109A1 (zh) * | 2017-03-23 | 2018-09-27 | 北京大学深圳研究生院 | 基于卷积神经网络的视频动作检测方法 |
CN110517237A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
CN111182292A (zh) * | 2020-01-05 | 2020-05-19 | 西安电子科技大学 | 无参考视频质量评估方法、系统、视频接收器、智能终端 |
CN111479109A (zh) * | 2020-03-12 | 2020-07-31 | 上海交通大学 | 基于视听联合注意的视频质量评价方法、系统及终端 |
CN111510710A (zh) * | 2020-04-27 | 2020-08-07 | 西安电子科技大学 | 基于脑电信号和时空失真的视频质量评价方法 |
WO2020173226A1 (zh) * | 2019-02-28 | 2020-09-03 | 华中科技大学 | 一种时空行为检测方法 |
CN112085102A (zh) * | 2020-09-10 | 2020-12-15 | 西安电子科技大学 | 基于三维时空特征分解的无参考视频质量评价方法 |
CN112381866A (zh) * | 2020-10-27 | 2021-02-19 | 天津大学 | 一种基于注意力机制的视频比特增强方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110255589A1 (en) * | 2009-08-03 | 2011-10-20 | Droplet Technology, Inc. | Methods of compressing data and methods of assessing the same |
WO2017017584A1 (en) * | 2015-07-24 | 2017-02-02 | Öztireli Ahmet Cengiz | Image processing system for downscaling images using perceptual downscaling method |
-
2021
- 2021-05-28 CN CN202110589087.0A patent/CN113313682B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740119A (zh) * | 2011-04-15 | 2012-10-17 | 特克特朗尼克公司 | 用于预测三维视频的主观质量的全参考系统 |
CN106303507A (zh) * | 2015-06-05 | 2017-01-04 | 江苏惠纬讯信息科技有限公司 | 基于时空联合信息的无参考视频质量评估方法 |
WO2018171109A1 (zh) * | 2017-03-23 | 2018-09-27 | 北京大学深圳研究生院 | 基于卷积神经网络的视频动作检测方法 |
CN107609492A (zh) * | 2017-08-25 | 2018-01-19 | 西安电子科技大学 | 基于脑电信号的失真图像质量感知评价方法 |
WO2020173226A1 (zh) * | 2019-02-28 | 2020-09-03 | 华中科技大学 | 一种时空行为检测方法 |
CN110517237A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
CN111182292A (zh) * | 2020-01-05 | 2020-05-19 | 西安电子科技大学 | 无参考视频质量评估方法、系统、视频接收器、智能终端 |
CN111479109A (zh) * | 2020-03-12 | 2020-07-31 | 上海交通大学 | 基于视听联合注意的视频质量评价方法、系统及终端 |
CN111510710A (zh) * | 2020-04-27 | 2020-08-07 | 西安电子科技大学 | 基于脑电信号和时空失真的视频质量评价方法 |
CN112085102A (zh) * | 2020-09-10 | 2020-12-15 | 西安电子科技大学 | 基于三维时空特征分解的无参考视频质量评价方法 |
CN112381866A (zh) * | 2020-10-27 | 2021-02-19 | 天津大学 | 一种基于注意力机制的视频比特增强方法 |
Non-Patent Citations (6)
Title |
---|
Blind video quality assessment based on spatio-temporal internal generative mechanism;Zhu Y 等;《2017 IEEE International Conference on Image Processing》;20171231;305-309 * |
Depth perceptual quality assessment for symmetrically and asymmetrically distorted stereoscopic 3D videos;Yun Zhang 等;《Signal Processing: Image Communication》;20191031;第78卷;293-305 * |
Efficient VR Video Representation and Quality Assessment;Shilin Wu 等;《Journal of Visual Communication and Image Representation》;20181130;第57卷;107-117 * |
基于深度学习的无参考立体视频质量评价方法的研究与实现;朱英豪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200615;第2020年卷(第6期);I138-943 * |
基于深度网络和视觉特性的无参考图像质量评价方法;高方远 等;《南京师大学报(自然科学版)》;20191231;第42卷(第3期);20-26 * |
基于视频内容感知的视频质量评价方法研究;贺然;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215;第2020年卷(第2期);I136-622 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313682A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085102B (zh) | 基于三维时空特征分解的无参考视频质量评价方法 | |
CN113313682B (zh) | 基于时空多尺度分析的无参考视频质量评价方法 | |
CN110517237B (zh) | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 | |
CN111007566B (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
CN110599468A (zh) | 无参考视频质量评估方法及装置 | |
CN102332153A (zh) | 基于核回归的图像压缩感知重构方法 | |
CN113421237A (zh) | 基于深度特征迁移学习的无参考图像质量评价方法 | |
CN111711816B (zh) | 基于可察知编码效应强度的视频客观质量评价方法 | |
CN113313683B (zh) | 基于元迁移学习的无参考视频质量评价方法 | |
CN112270370B (zh) | 一种车辆表观毁伤评估方法 | |
CN114283301A (zh) | 一种基于Transformer的自适应医学影像分类方法及系统 | |
CN117409254A (zh) | 一种基于ResNet34残差神经网络的天麻客观质量分类评价方法 | |
CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
CN113298827B (zh) | 一种基于DP-Net网络的图像分割方法 | |
CN109829377A (zh) | 一种基于深度余弦度量学习的行人重识别方法 | |
CN116051421A (zh) | 基于多维度的内窥镜图像质量评价方法、装置、设备及介质 | |
CN115018723A (zh) | 基于卷积神经网络且用于对模糊图像进行处理的方法 | |
CN112488125A (zh) | 一种基于高速视觉诊断和bp神经网络的重建方法及系统 | |
CN110751632B (zh) | 基于卷积神经网络的多尺度图像质量检测方法 | |
CN113486821B (zh) | 基于时域金字塔的无参考视频质量评价方法 | |
CN113222032B (zh) | 基于自注意图像编码的无参考图像质量评价方法 | |
CN114401400B (zh) | 基于视觉显著性编码效应感知的视频质量评测方法及系统 | |
CN113298825B (zh) | 一种基于MSF-Net网络的图像分割方法 | |
CN115721318B (zh) | 一种心电信号降噪处理方法、系统、设备及存储介质 | |
CN113947612B (zh) | 基于前景背景分离的视频异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |