AMiner论文推荐
论文名称：Quality Evaluation for Image Retargeting With Instance Semantics
论文链接：https://t.cn/A6MYR0pj
图像重定向作为一种内容自适应的后处理技术，可以根据图像内容的重要程度选择性去除图像内容，从而满足不同尺寸屏幕的显示需求。然而该过程中不可避免地会产生失真，影响重定向图像的感知质量。不同于噪声、模糊、块效应等传统失真，重定向图像失真往往表现为图像内容扭曲和信息丢失，容易破坏图像的高层次语义，而语义在人对图像内容的理解和质量感知过程中至关重要。此外，与原始图像相比，重定向图像的尺寸发生了改变，这挑战了全参考图像质量评价方法的通用流程。目前针对重定向图像质量评价的研究较为有限，现有评价模型的表现也不理想。
针对以上问题，本文提出了一种基于图像实例语义的重定向图像质量评价方法INSEM，旨在通过衡量图像高层次语义损伤来衡量失真，从而预测重定向图像质量。如图1所示，模型由三部分组成：实例降质特征提取模块，语义自适应池化模块以及质量预测模块。在实例降质提取模块中，首先利用稠密匹配建立从重定向图像到原始图像的像素配准关系，再采用实例分割方法获取原始图像中的实例，并根据像素匹配关系重建重定向图像中的相应实例。随后对重定向图像和原始图像中的每对实例提取实例级语义失真，包括形状扭曲、尺寸相似度、信息损失和位移。随后语义自适应池化模块根据实例语义标签将所有实例的失真特征进行融合，获得重定向图像的实例失真特征。最终，质量预测模块将四个实例失真特征和作为补充的全局特征进行融合以得到重定向图像的质量预测。
其中，语义自适应池化模块同时考虑了实例的显著性偏向和生物特性，根据图像的内容适应性地融合实例失真特征，更符合人眼感知特性。具体地说，实例具有不同的显著性，人眼倾向于更加关注显著区实例生物实例的失真比非生物实例失真更为敏感.因此图像中的多个实例对总体质量感知的贡献度是不均等的，语义自适应池化模块在特征融合过程中突出了这一特性，从而更符合人眼的质量感知特性。
AMiner,让AI帮你理解科学！https://t.cn/R8qrvZZ

：Hong long
A.B .C.D.E.F.J
A boy can do everything for girls
H .I . J. K
He is just kidding
L.M.N.O.P
Love must need our patience
——————————————-
I want to you call me ! ​​​
Emm
In the modern world you can do more people to happy ,and I want to you very happy ,because I love you , you know?
Don’t worry my princess ![心]

The screen of the J-11D flying test on the plateau recently
The official video of AVIC revealed for the first time the J-11D flight test on the plateau
Although the screen was played in the video for only a short moment
It was discovered by careful netizens
From the display on the screen
There are several staff members on site
On its side is parked a J-11D being tested.Today's headlines