論文の概要: Image Quality Assessment: Integrating Model-Centric and Data-Centric
Approaches
- arxiv url: http://arxiv.org/abs/2207.14769v1
- Date: Fri, 29 Jul 2022 16:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:02:42.376899
- Title: Image Quality Assessment: Integrating Model-Centric and Data-Centric
Approaches
- Title(参考訳): 画像品質評価: モデル中心とデータ中心のアプローチの統合
- Authors: Peibei Cao, Dingquan Li, and Kede Ma
- Abstract要約: 画像品質評価(IQA)は過去10年間で著しく進歩している。
ほぼ全員がモデルとデータという2つの重要なコンポーネントを比較的分離して考えています。
- 参考スコア(独自算出の注目度): 26.655898641856208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based image quality assessment (IQA) has made remarkable progress in
the past decade, but nearly all consider the two key components - model and
data - in relative isolation. Specifically, model-centric IQA focuses on
developing "better" objective quality methods on fixed and extensively reused
datasets, with a great danger of overfitting. Data-centric IQA involves
conducting psychophysical experiments to construct "better" human-annotated
datasets, which unfortunately ignores current IQA models during dataset
creation. In this paper, we first design a series of experiments to probe
computationally that such isolation of model and data impedes further progress
of IQA. We then describe a computational framework that integrates
model-centric and data-centric IQA. As a specific example, we design
computational modules to quantify the sampling-worthiness of candidate images
based on blind IQA (BIQA) model predictions and deep content-aware features.
Experimental results show that the proposed sampling-worthiness module
successfully spots diverse failures of the examined BIQA models, which are
indeed worthy samples to be included in next-generation datasets.
- Abstract(参考訳): 学習ベースの画像品質評価(iqa)は過去10年間で著しく進歩したが、ほぼ全員が、モデルとデータという2つの重要なコンポーネントを相対的に分離している。
具体的には、モデル中心のIQAは、修正および広範囲に再利用されたデータセットの「より良い」客観的品質手法の開発に重点を置いている。
データ中心のIQAは、データセット作成中に現在のIQAモデルを無視する、人間の注釈付きデータセットを構築するための精神物理学的な実験を行う。
本稿では,モデルとデータの分離がIQAのさらなる進歩を妨げることを計算学的に探索する一連の実験を最初に設計する。
次に、モデル中心およびデータ中心IQAを統合する計算フレームワークについて述べる。
具体的な例として,ブラインドIQA(BIQA)モデル予測と深いコンテンツ認識機能に基づいて,候補画像のサンプリング信頼性を定量化する計算モジュールを設計する。
実験の結果,本モジュールは,次世代データセットに含める価値のあるサンプルであるbiqaモデルの多様な故障を発見できた。
関連論文リスト
- Uncertainty-aware No-Reference Point Cloud Quality Assessment [25.543217625958462]
本研究は,非参照点クラウド品質評価(PCQA)のための最初の確率的アーキテクチャを提案する。
提案手法は条件付き変分オートエンコーダ(AE)を用いて被験者の品質判定をモデル化できる。
実験により,本手法は従来の最先端手法を大きなマージンで模倣し,データセット間実験を行うことを示す。
論文 参考訳(メタデータ) (2024-01-17T02:25:42Z) - QASnowball: An Iterative Bootstrapping Framework for High-Quality
Question-Answering Data Generation [67.27999343730224]
QAデータ拡張のための反復型ブートストラップフレームワーク(QASnowball)を導入する。
QASnowballは、教師付きサンプルのシードセットに基づいて、大規模で高品質なQAデータを反復的に生成することができる。
本研究では, 高資源の英語シナリオと中資源の中国語シナリオで実験を行い, 実験結果から, QASnowball が生成したデータによりQAモデルを容易に作成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-19T05:20:36Z) - Analysis of Video Quality Datasets via Design of Minimalistic Video
Quality Models [55.694387785978996]
BVQA(Blind Quality Assessment)は、実世界のビデオ対応メディアアプリケーションにおけるエンドユーザの視聴体験の監視と改善に不可欠である。
実験分野として、BVQAモデルの改良は、主に数個の人間の評価されたVQAデータセットに基づいて測定されている。
最小主義的BVQAモデルを用いて,VQAデータセットの第一種計算解析を行う。
論文 参考訳(メタデータ) (2023-07-26T06:38:33Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Learning from Mixed Datasets: A Monotonic Image Quality Assessment Model [17.19991754976893]
異なるデータセットを組み合わせたIQAモデル学習のための単調ニューラルネットワークを提案する。
特に,本モデルは,データセット共有品質回帰器と,データセット固有の品質変換器から構成される。
論文 参考訳(メタデータ) (2022-09-21T15:53:59Z) - Learning brain MRI quality control: a multi-factorial generalization
problem [0.0]
本研究の目的は,MRIQCパイプラインの性能評価である。
分析はMRIQCの前処理ステップに焦点を合わせ、パイプラインをそれなしでテストした。
我々は、CATIデータセットのような異種集団のデータで訓練されたモデルが、目に見えないデータの最良のスコアを提供すると結論付けた。
論文 参考訳(メタデータ) (2022-05-31T15:46:44Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳(メタデータ) (2021-06-01T22:33:53Z) - Continual Learning for Blind Image Quality Assessment [80.55119990128419]
ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。
最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。
モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
論文 参考訳(メタデータ) (2021-02-19T03:07:01Z) - DQI: Measuring Data Quality in NLP [22.54066527822898]
データ品質指標(DQI)の一般的な式を導入し、データセット作成者が望ましくないバイアスのないデータセットを作成するのを支援する。
SNLIデータセットを用いてトレーニングしたモデルが,分散タスクの外部に一般化できることが示される。
論文 参考訳(メタデータ) (2020-05-02T12:34:17Z) - Template-Based Question Generation from Retrieved Sentences for Improved
Unsupervised Question Answering [98.48363619128108]
擬似学習データを用いてQAモデルを訓練するための教師なしアプローチを提案する。
関連した検索文に簡単なテンプレートを適用してQA学習のための質問を生成すると、元の文脈文よりも、下流QAのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2020-04-24T17:57:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。