Task-Specific Normalization for Continual Learning of Blind Image Quality Models

要約

この論文では、品質予測精度、可塑性と安定性のトレードオフ、およびタスク順序/長さのロバスト性が向上した、ブラインド画質評価 (BIQA) のためのシンプルかつ効果的な継続学習方法を紹介します。
私たちのアプローチの重要なステップは、安定性を明示的に約束するために事前にトレーニングされたディープ ニューラル ネットワーク (DNN) のすべての畳み込みフィルターをフリーズし、可塑性のためのタスク固有の正規化パラメーターを学習することです。
新しい IQA データセット (つまり、タスク) に予測ヘッドを割り当て、対応する正規化パラメーターをロードして品質スコアを生成します。
最終的な品質推定値は、軽量の $K$ 平均ゲート メカニズムを使用して、すべてのヘッドからの予測の加重合計を black によって計算されます。
6 つの IQA データセットに対する広範な実験により、BIQA の以前のトレーニング手法と比較して、提案された方法の利点が実証されました。

要約(オリジナル)

In this paper, we present a simple yet effective continual learning method for blind image quality assessment (BIQA) with improved quality prediction accuracy, plasticity-stability trade-off, and task-order/-length robustness. The key step in our approach is to freeze all convolution filters of a pre-trained deep neural network (DNN) for an explicit promise of stability, and learn task-specific normalization parameters for plasticity. We assign each new IQA dataset (i.e., task) a prediction head, and load the corresponding normalization parameters to produce a quality score. The final quality estimate is computed by black a weighted summation of predictions from all heads with a lightweight $K$-means gating mechanism. Extensive experiments on six IQA datasets demonstrate the advantages of the proposed method in comparison to previous training techniques for BIQA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google