基于深度学习的图像质量评价算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-29页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 图像质量评价方法简介 | 第15-17页 |
| 1.2.1 主观图像质量评价方法 | 第15-16页 |
| 1.2.2 客观图像质量评价方法 | 第16-17页 |
| 1.3 无参考图像质量评价研究现状 | 第17-26页 |
| 1.3.1 基于变换域的方法 | 第18-21页 |
| 1.3.2 基于字典学习的方法 | 第21-23页 |
| 1.3.3 基于深度学习的方法 | 第23-26页 |
| 1.4 本文工作内容 | 第26-27页 |
| 1.5 论文内容安排 | 第27-29页 |
| 第2章 深度学习关键技术 | 第29-39页 |
| 2.1 深度学习发展简介 | 第29-31页 |
| 2.2 深度学习模型 | 第31-34页 |
| 2.2.1 卷积神经网络 | 第31-32页 |
| 2.2.2 激活函数与损失函数 | 第32-33页 |
| 2.2.3 Dropout方法 | 第33-34页 |
| 2.2.4 Softmax函数 | 第34页 |
| 2.3 深度学习优化算法 | 第34-37页 |
| 2.3.1 随机梯度下降 | 第35页 |
| 2.3.2 动量方法 | 第35-36页 |
| 2.3.3 自适应矩估计算法 | 第36-37页 |
| 2.4 深度学习框架 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于人工特征的图像质量评价算法 | 第39-46页 |
| 3.1 图像质量评价数据集 | 第39-40页 |
| 3.2 图像质量评价算法性能指标 | 第40-41页 |
| 3.3 基于组合特征的图像质量评价算法 | 第41-45页 |
| 3.3.1 自然场景统计特征提取 | 第41-43页 |
| 3.3.2 字典空间编码特征提取 | 第43-44页 |
| 3.3.3 特征组合与回归器 | 第44-45页 |
| 3.4 实验结果与分析 | 第45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于深度学习的图像质量评价算法 | 第46-64页 |
| 4.1 网络结构设计 | 第46-49页 |
| 4.1.1 网络结构设计规则 | 第47-48页 |
| 4.1.2 网络分析 | 第48-49页 |
| 4.2 利用深度学习模拟人类视觉关注机制 | 第49-53页 |
| 4.2.1 人类视觉特性简介 | 第49-50页 |
| 4.2.2 图像质量评价中的关注模型 | 第50-51页 |
| 4.2.3 类别激活热力图 | 第51-53页 |
| 4.3 多尺度神经网络训练方法 | 第53-57页 |
| 4.3.1 多任务网络结构 | 第53-55页 |
| 4.3.2 训练 | 第55-57页 |
| 4.4 结果与分析 | 第57-62页 |
| 4.4.1 实验设定 | 第57页 |
| 4.4.2 数据预处理 | 第57页 |
| 4.4.3 网络结构对图像质量评价算法的影响 | 第57-60页 |
| 4.4.4 关注机制在图像质量评价算法的作用 | 第60-61页 |
| 4.4.5 与其他算法对比与分析 | 第61-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 总结与展望 | 第64-68页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-75页 |
| 在读期间发表的学术论文与取得的研究成果 | 第75页 |
