利用感知评分在计算机视觉任务中的数据集剪枝
内容提要
研究表明，基于深度学习的图像处理方法在感知相似度方面优于传统度量，适用于不同特征提取器。提出的感知信息度量（PIM）在图像质量评估中表现出色，并能提高深度神经网络的检测性能。此外，研究探讨了Few-Shot分类数据集的偏见及其对实际应用的影响，并提出了改进方案。
延伸解读
感知度量为何更贴近人类判断
文章指出，基于深度学习的感知相似度在多数经典度量方法上表现更优，且这一结论不限于ImageNet上训练的VGG特征，而是适用于不同深度架构和监督、自监督、无监督等不同学习方式提取的特征。这意味着感知度量的优势具有跨架构和跨训练范式的鲁棒性，为计算机视觉任务中替代传统度量提供了更广泛的依据。
PIM在图像质量评估中的表现与鲁棒性
文章提到，感知信息度量（PIM）结合信息理论目标函数与人类视觉系统计算架构，并通过成对视频帧无监督训练。在BAPPS数据集上，PIM与监督度量相媲美；在CLIC 2020图像压缩方法排名预测上优于监督度量；在ImageNet-C上的定性实验还表明其对架构细节具有鲁棒性。这些结果说明PIM在无监督设定下也能提供可靠的感知评估。
Few-Shot分类数据集的偏见与评估反思
文章强调，常见的Few-Shot图像分类基准数据集存在很大偏见，严重影响实际应用场景。为此，研究提出了基于语义信息的改进方案，并引入基于丹麦真菌2020数据集的新基准。文章还讨论了分类任务难度与类别语义相似度的相关性，指出许多现有方法在任务难度增加时性能下降，并呼吁研究者质疑标准评估过程的质量及其实际应用相关性。
感知相似性在主观质量评分中的预处理价值
文章介绍了一种名为感知相似性主观预处理（PSP）的方法，利用图像间的感知相似性来减轻标注较少情景下的主观偏倚。研究表明，经过PSP预处理的数据集能够很好地提升下游图像质量评估任务的性能。这提示在主观评分数据稀缺时，借助感知相似性进行预处理是一种有效的偏倚缓解策略。
Q&A
什么是感知信息度量（PIM）？
感知信息度量（PIM）是一种用于图像质量评估的指标，能够在多个数据集上表现出色，并提高深度神经网络的检测性能。
深度学习在图像处理中的优势是什么？
深度学习的图像处理方法在感知相似度方面优于传统度量，适用于不同特征提取器，能够更好地模拟人类感知系统。
Few-Shot分类数据集存在哪些偏见？
Few-Shot分类数据集存在偏见，这些偏见影响了其在实际应用中的有效性，研究呼吁质疑标准评估过程的质量。
如何提高深度神经网络的检测性能？
可以通过引入感知信息度量（PIM）和改进的损失函数来提高深度神经网络的检测性能。
研究中提出了哪些改进方案？
研究提出了基于语义信息的改进方案，以解决Few-Shot图像分类基准数据集的偏见问题，并引入新的评估基准。
感知相似性主观预处理（PSP）有什么作用？
感知相似性主观预处理（PSP）通过利用图像之间的感知相似性，减轻了主观偏倚，并提高了下游图像质量评估任务的性能。
