SEGQM:一种基于SE-ResNet的DCGAN质量评价模型

生成对抗网络(Generative Adversarial Network,GAN)通过对抗学习获得生成数据的能力。它的生成图像与真实图像没有绝对的对应关系,因此传统方法很难具体量化生成图像的视觉质量和多样性。通过对GQI进行改进,利用SE-ResNet分类,提出了一种能够定量评价GAN生成图像真实性和多样性的评价模型SEGQM,设计了一个合理的质量评价指标SEGQI。以DCGAN作为基础模型对多种评价指标进行对比研究,结果表明,SEGQI指标能够从两个方面评价GAN,对GAN的设计和发展具有十分重要的指导意义。

基于近邻算法的GAN生成图像质量评价

GAN生成图像质量评价是指对GAN生成的图像进行评价,判断生成图像的失真度是否影响观察者的信息获取和主观感受.目前,GAN生成图像质量评价算法较少且算法运行效率不高.该文提出一种基于近邻算法的生成图像质量评价(Near-Neighbor based Generated Image Quality Assessment,NN-GIQA)算法,实现对GAN生成图像的自动、客观、高效评价.首先,基于ANN算法获取生成图像的近邻构成相似图像候选池,缩小生成图像对比范围;然后,基于KNN算法在相似图像候选池中获取与生成图像最相似的K个真实图像得到生成图像质量分数;最后,评价多个经典GAN模型在多个经典数据集上获取的生成图像的质量.实验结果表明本文方法有效提高了GAN生成图像质量评价的效率和准确性,运行时间仅为其他方法的1/9~1/28,其评价结果和人类主观评价结果的一致性达到80%以上,符合人类视觉感知.

剪枝优化的文本区域检测算法

针对实际场景文本检测中存在由于输入图片多方向导致检测结果误差大、多数文本检测算法只是解决单一的文本区域定位的问题,设计并实现了一种基于剪枝优化的多方向文本区域检测算法,对输入的任意方向的图片进行准确有效的文本检测。首先使用混合剪枝的方法改进VGG16网络模型,实现图片方向快速分类任务,并根据分类的结果对图片进行旋转调整为正向;然后通过级联浅层信息的方法改进YOLO网络结构,实现小角度倾斜文本区域特征提取和预测任务;最后对文本方向预测和文本区域预测两个步骤进行组合,实现输入任意方向的图片均能检测出文本区域位置的效果。实验表明,改进的方法具有较好的检测性能,在ICDAR2013和TDS数据集上,对场景文本检测具有较高的准确率和召回率。