期刊论文中的伪参考文献问题剖析

期刊论文中的伪参考文献问题实际上也是一种学术不端行为,其根源一是期刊评价系统导向作用造成的编辑的功利主义思想,一是作者的名人效应和敷衍心理。要从根本上杜绝伪参考文献,编辑部及其编辑要克服功利主义思想,作者在列举参考文献时要实事求是,社会不能再以"核心期刊"作为评价期刊和论文水平的唯一标准,但这是一个任重而道远的目标。

基于伪参考图像深层特征相似性的盲图像质量评价

提出一种基于伪参考图像深层特征相似性的盲图像质量评价方法,首先利用基于Wasserstein距离的条件生成对抗网络,由数据驱动训练得到复原模型,通过对失真图像的复原,生成伪参考图像,用以弥补真实参考图像的缺失,接着利用上述复原模型进行质量预测评价,通过对测试失真图像进行重叠分块.采样,使其通过复原模型后生成为参考图像块。并使用预训练卷积神经网络——VGG-19,分别对失真图像块和伪参考图像块提取五层最大池化层深层网络特征,每一图像块其每一特征经标准化后成为单通道灰度特征图,利用SCNN-SIM公式计算二者对应每一层特征图的相似性得分,根据计算所得五级得分,采取相应池化策略,预测得到块评价分数,最后选择平均池化策略得到最终图像得分。本文基于图像常见三种失真:高斯模糊、高斯噪声JPEG压缩进行评价对比,复原模型训练集采用Waterloo自然场景图像库,选择TID2013、CSIQ数据库进行预测评价测试,其Pearson线性相关系数和Spearman等级系数指标与最新方法指标相当,评价结果准确,与人类主观感受一致。

基于视觉特性的无参考图像质量评价算法

针对传统无参考图像质量评价算法特征单一、需主观评价结果参与训练和对比度失真图像性能差等问题,提出一种结合颜色和纹理特征及视觉特性的改进算法。首先,为待评价图像构造一幅伪参考图像;其次,依据视觉特性将二者划分为主要与次要感兴趣区域,进一步将区域细化为更小的块并提取其中不同的颜色特征与纹理特征以建立多元高斯模型;最后,计算二者主要感兴趣区域之间、次要感兴趣区域之间的模型参数距离,作为质量分数评价图像的好坏。在公开数据集SPAQ和CSIQ上与传统算法QAC、NIQE、IL-NIQE等进行比较,计算线性皮尔森系数、斯皮尔曼秩相关系数、均方根误差等质量评价指标,实验结果表明所提算法优于传统算法。

掩膜融合下的人脸图像质量评价方法

目的人脸识别技术已经在众多领域中得到广泛应用,然而现有识别方法对于人脸图像的质量要求普遍较高,低质量图像会严重影响系统的识别性能,产生误判。人脸图像质量评价方法可用于高质量图像的筛选,对改善人脸识别系统的性能有重要作用。不同于传统的图像质量评价,人脸图像质量评价是一种可用性评价,目前对其研究较少。人们在进行人脸识别时往往主要通过眼睛、鼻子、嘴等关键区域;基于此,本文提出了一种基于掩膜的人脸图像质量无参考评价方法,通过挖掘脸部关键区域对人脸识别算法的影响计算人脸图像质量。方法人脸识别方法通常需要比较输入人脸图像和高质量基准图像之间的特征相似度;本文从另一个角度出发,在输入人脸图像的基础上构造低可用性图像作为伪参考,并通过计算输入人脸图像和伪参考图像间的相似性获得输入人脸图像的质量评价分数。具体地,对一幅输入的人脸图像,首先对其关键区域添加掩膜获得低可用性质量的掩膜人脸图像,然后将输入图像和掩膜图像输入特征提取网络以获得人脸特征,最后计算特征间的距离获得输入人脸图像的质量分数。结果用AOC(错误拒绝曲线围成的区域面积)作为评估指标,在5个数据集上将本文方法与其他主流的人脸质量评价方法进行了充分比较,在LFW(labeled faces in the wild)数据集中比性能第2的模型提升了14.8%,在CelebA(celebFaces attribute)数据集中提升了0.1%,在DDFace(diversified distortion face)数据集中提升了2.9%,在VGGFace2(Visual Geometry Group Face2)数据集中提升了3.7%,在CASIA-WebFace(Institute of Automation,Chinese Academy of Science-Website Face)数据集中提升了4.9%。结论本文提出的基于掩膜的人脸图像质量评价方法,充分利用了人脸识别的关键性区域,将人脸识别的特点融入到人脸图像质量评价算法的设计中,能够在不需要参考图像的条件下准确预测出不同失真程度下的人脸图像质量分数,并且性能优于目前的主流方法。