این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۲، شماره ۲، صفحات ۱۵-۲۶
عنوان فارسی ارزیابی کیفیت تصاویر زیر آب با استفاده از شبکه عصبی کانولوشن عمیق چندشاخه با بلوک توجه ECA
چکیده فارسی مقاله ارزیابی کیفیت تصاویر زیر آب به دلیل چالش‌هایی مانند نورپراکنی، جذب طول‌موج‌های رنگی، و کاهش تباین، نیازمند روش‌های تخصصی است. روش‌های سنتی ارزیابی کیفیت تصویر (IQA) به دلیل عدم توجه به ویژگی‌های منحصربه‌فرد محیط زیر آب، عملکرد محدودی دارند. در این مقاله، یک روش نوین مبتنی بر یادگیری عمیق برای ارزیابی کیفیت تصاویر زیر آب ارائه شده است. این روش از یک شبکه عصبی کانولوشنی (CNN) چندشاخه با بلوک توجه کانالی کارآمد (ECA) بهره می‌برد که به طور همزمان تصویر اصلی، نقشه تیزی، و نقشه ساختار را پردازش می‌کند. هر شاخه با استخراج خودکار ویژگی‌های مرتبط با کیفیت، اطلاعات مکمل را در اختیار مدل قرار می‌دهد. ترکیب این ویژگی‌ها با استفاده از بلوک‌های تجمیع و توجه، منجر به پیش‌بینی دقیق‌تر نمره کیفیت می‌شود. ارزیابی جامع بر روی مجموعه داده‌های متنوع SAUD2.0 و UID2021 نشان می‌دهد که مدل در هر دو مجموعه عملکرد قابل‌قبولی دارد و نسبت به روش‌های موجود دقت و همبستگی بالاتری را ارائه می‌دهد. همچنین، آزمایش ارزیابی متقابل بین این دو مجموعه داده تأیید کننده توانایی تعمیم و پایداری روش پیشنهادی در مواجهه با داده‌های متفاوت و ناشناخته است. این پژوهش گامی موثر در جهت بهبود ارزیابی کیفیت تصاویر زیر آب با رویکردی کارا و مقاوم ارائه می‌دهد.
کلیدواژه‌های فارسی مقاله ارزیابی کیفیت بدون مرجع،یادگیری عمیق،شبکه عصبی کانولوشنی،ارزیابی کیفیت تصاویر زیر آب،شبکه‌های چند شاخه،مکانیزم توجه،
عنوان انگلیسی Underwater Image Quality Assessment Using Deep Multi-Branch Convolutional Neural Network with ECA Attention Block
چکیده انگلیسی مقاله Underwater image quality assessment requires specialized methods due to challenges such as light scattering, color wavelength absorption, and contrast reduction. Traditional image quality assessment (IQA) methods have limited performance due to their lack of consideration for the unique characteristics of the underwater environment. In this paper, a novel deep learning-based method is presented for underwater image quality assessment. This method utilizes a multi-branch convolutional neural network (CNN) with an efficient channel attention (ECA) block that simultaneously processes the original image, sharpness map, and structure map. Each branch provides the model with complementary information by automatically extracting quality-related features. Combining these features using aggregation and attention blocks results in more accurate quality score prediction. Comprehensive evaluation on diverse datasets SAUD2.0 and UID2021 shows that the model has acceptable performance in both sets and provides higher accuracy and correlation than existing methods. Also, a cross-dataset test experiment between these two datasets confirms the generalization ability and stability of the proposed method on different and unknown data. This research represents a significant step towards enhancing the quality assessment of underwater images through an efficient and robust approach.
کلیدواژه‌های انگلیسی مقاله ارزیابی کیفیت بدون مرجع,یادگیری عمیق,شبکه عصبی کانولوشنی,ارزیابی کیفیت تصاویر زیر آب,شبکه‌های چند شاخه,مکانیزم توجه
نویسندگان مقاله مریم کریمی |
گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه شهرکرد، شهرکرد، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_229852_5cdcb913ca59c311a4ce72d5e0babfb6.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات