In EDS ansehen

Learning Graph Convolutional Network for Blind Mesh Visual Quality Assessment

Gespeichert in:
Bibliographische Detailangaben
Titel: Learning Graph Convolutional Network for Blind Mesh Visual Quality Assessment
Autoren: Cherifi, Hocine, Abouelaziz, Ilyass, Chetouani, Aladine, Hassouni, Mohammed El, Latecki, Longin Jan
Weitere Verfasser: Cherifi, Hocine
Quelle: IEEE Access, Vol 9, Pp 108200-108211 (2021)
Verlagsinformationen: Institute of Electrical and Electronics Engineers (IEEE), 2021.
Publikationsjahr: 2021
Schlagwörter: Pooling, Artificial intelligence, Convolutional neural network, Image Quality Assessment, Pattern recognition (psychology), Graph, [INFO.INFO-CV] Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Theoretical computer science, Mesh visual quality assessment, Image Quality Assessment in Multimedia Content, Image Enhancement Techniques, Adjacency matrix, 4. Education, mesh graph representation, geometric attributes, Visual Attention, Computer science, TK1-9971, Softmax function, Computer Science, Physical Sciences, Computational Modeling of Visual Saliency Detection, Blur Assessment, graph convolutional networks, Electrical engineering. Electronics. Nuclear engineering, Computer Vision and Pattern Recognition, Perceptual Quality, Classifier (UML)
Beschreibung: Cet article propose une nouvelle méthode d'évaluation visuelle de la qualité des maillages aveugles (MVQA) basée sur un réseau convolutif de graphes. Pour cela, nous abordons le problème de classification des nœuds pour prédire la qualité visuelle perçue. Tout d'abord, deux matrices représentant le maillage 3D sont considérées : une matrice d'adjacence de graphe et une matrice de caractéristiques. Les deux matrices sont utilisées comme entrée dans un réseau convolutif de graphes peu profonds. Le réseau se compose de deux couches convolutionnelles suivies d'une couche de mise en commun maximale pour fournir la représentation finale des caractéristiques. Avec cette structure, le classificateur Softmax prédit la catégorie de score de qualité sans la disponibilité du maillage de référence. Les expériences sont menées sur quatre bases de données accessibles au public construites explicitement pour la tâche d'évaluation de la qualité du maillage. Nous étudions plusieurs caractéristiques perceptives et visuelles pour sélectionner la combinaison la plus efficace. Les comparaisons avec les méthodes alternatives de pointe montrent l'efficacité du cadre proposé.
Este documento propone un nuevo método para la evaluación de la calidad visual de malla ciega (MVQA) basado en una red convolucional de gráficos. Para ello, abordamos el problema de clasificación de nodos para predecir la calidad visual percibida. En primer lugar, se consideran dos matrices que representan la malla 3D: una matriz de adyacencia gráfica y una matriz de características. Ambas matrices se utilizan como entrada a una red convolucional de grafos poco profundos. La red consta de dos capas convolucionales seguidas de una capa de combinación máxima para proporcionar la representación final de la característica. Con esta estructura, el clasificador Softmax predice la categoría de puntuación de calidad sin la disponibilidad de la malla de referencia. Los experimentos se llevan a cabo en cuatro bases de datos disponibles públicamente construidas explícitamente para la tarea de evaluación de la calidad de la malla. Investigamos varias características perceptivas y visuales para seleccionar la combinación más efectiva. Las comparaciones con los métodos alternativos más avanzados muestran la eficacia del marco propuesto.
This paper proposes a new method for blind mesh visual quality assessment (MVQA) based on a graph convolutional network. For that, we address the node classification problem to predict the perceived visual quality. First, two matrices representing the 3D mesh are considered: a graph adjacency matrix and a feature matrix. Both matrices are used as input to a shallow graph convolutional network. The network consists of two convolutional layers followed by a max-pooling layer to provide the final feature representation. With this structure, the Softmax classifier predicts the quality score category without the reference mesh's availability. Experiments are conducted on four publicly available databases constructed explicitly for the mesh quality assessment task. We investigate several perceptual and visual features to select the most effective combination. Comparisons with the state-of-the-art alternative methods show the effectiveness of the proposed framework.
تقترح هذه الورقة طريقة جديدة لتقييم الجودة البصرية للشبكة العمياء (MVQA) بناءً على شبكة التلافيف البيانية. لذلك، نعالج مشكلة تصنيف العقدة للتنبؤ بالجودة البصرية المتصورة. أولاً، يتم النظر في مصفوفتين تمثلان الشبكة ثلاثية الأبعاد: مصفوفة تجاور الرسم البياني ومصفوفة السمات. يتم استخدام كلتا المصفوفتين كمدخل لشبكة التفافية ضحلة للرسم البياني. تتكون الشبكة من طبقتين ملتويتين تليهما طبقة تجميع قصوى لتوفير التمثيل النهائي للميزة. مع هذا الهيكل، يتنبأ مصنف Softmax بفئة درجة الجودة دون توفر الشبكة المرجعية. يتم إجراء التجارب على أربع قواعد بيانات متاحة للجمهور تم إنشاؤها بشكل صريح لمهمة تقييم جودة الشبكة. نحن نتحقق من العديد من الميزات الإدراكية والبصرية لاختيار التركيبة الأكثر فعالية. تُظهر المقارنات مع أحدث الأساليب البديلة فعالية الإطار المقترح.
Publikationsart: Article
Conference object
Other literature type
ISSN: 2169-3536
DOI: 10.1109/access.2021.3094663
DOI: 10.60692/0sc24-and20
DOI: 10.60692/4jqet-ehp40
Zugangs-URL: https://ieeexplore.ieee.org/ielx7/6287639/6514899/09474332.pdf
https://doaj.org/article/135a631389434023ad12677bf6ac23c6
https://ieeexplore.ieee.org/document/9474332/
https://doi.org/10.1109/ACCESS.2021.3094663
https://dblp.uni-trier.de/db/journals/access/access9.html#AbouelazizCHCL21
Rights: CC BY
CC BY NC ND
Dokumentencode: edsair.doi.dedup.....61cbe04f11a56940ba9a13a8f5c2964c
Datenbank: OpenAIRE
Beschreibung
Abstract:Cet article propose une nouvelle méthode d'évaluation visuelle de la qualité des maillages aveugles (MVQA) basée sur un réseau convolutif de graphes. Pour cela, nous abordons le problème de classification des nœuds pour prédire la qualité visuelle perçue. Tout d'abord, deux matrices représentant le maillage 3D sont considérées : une matrice d'adjacence de graphe et une matrice de caractéristiques. Les deux matrices sont utilisées comme entrée dans un réseau convolutif de graphes peu profonds. Le réseau se compose de deux couches convolutionnelles suivies d'une couche de mise en commun maximale pour fournir la représentation finale des caractéristiques. Avec cette structure, le classificateur Softmax prédit la catégorie de score de qualité sans la disponibilité du maillage de référence. Les expériences sont menées sur quatre bases de données accessibles au public construites explicitement pour la tâche d'évaluation de la qualité du maillage. Nous étudions plusieurs caractéristiques perceptives et visuelles pour sélectionner la combinaison la plus efficace. Les comparaisons avec les méthodes alternatives de pointe montrent l'efficacité du cadre proposé.<br />Este documento propone un nuevo método para la evaluación de la calidad visual de malla ciega (MVQA) basado en una red convolucional de gráficos. Para ello, abordamos el problema de clasificación de nodos para predecir la calidad visual percibida. En primer lugar, se consideran dos matrices que representan la malla 3D: una matriz de adyacencia gráfica y una matriz de características. Ambas matrices se utilizan como entrada a una red convolucional de grafos poco profundos. La red consta de dos capas convolucionales seguidas de una capa de combinación máxima para proporcionar la representación final de la característica. Con esta estructura, el clasificador Softmax predice la categoría de puntuación de calidad sin la disponibilidad de la malla de referencia. Los experimentos se llevan a cabo en cuatro bases de datos disponibles públicamente construidas explícitamente para la tarea de evaluación de la calidad de la malla. Investigamos varias características perceptivas y visuales para seleccionar la combinación más efectiva. Las comparaciones con los métodos alternativos más avanzados muestran la eficacia del marco propuesto.<br />This paper proposes a new method for blind mesh visual quality assessment (MVQA) based on a graph convolutional network. For that, we address the node classification problem to predict the perceived visual quality. First, two matrices representing the 3D mesh are considered: a graph adjacency matrix and a feature matrix. Both matrices are used as input to a shallow graph convolutional network. The network consists of two convolutional layers followed by a max-pooling layer to provide the final feature representation. With this structure, the Softmax classifier predicts the quality score category without the reference mesh's availability. Experiments are conducted on four publicly available databases constructed explicitly for the mesh quality assessment task. We investigate several perceptual and visual features to select the most effective combination. Comparisons with the state-of-the-art alternative methods show the effectiveness of the proposed framework.<br />تقترح هذه الورقة طريقة جديدة لتقييم الجودة البصرية للشبكة العمياء (MVQA) بناءً على شبكة التلافيف البيانية. لذلك، نعالج مشكلة تصنيف العقدة للتنبؤ بالجودة البصرية المتصورة. أولاً، يتم النظر في مصفوفتين تمثلان الشبكة ثلاثية الأبعاد: مصفوفة تجاور الرسم البياني ومصفوفة السمات. يتم استخدام كلتا المصفوفتين كمدخل لشبكة التفافية ضحلة للرسم البياني. تتكون الشبكة من طبقتين ملتويتين تليهما طبقة تجميع قصوى لتوفير التمثيل النهائي للميزة. مع هذا الهيكل، يتنبأ مصنف Softmax بفئة درجة الجودة دون توفر الشبكة المرجعية. يتم إجراء التجارب على أربع قواعد بيانات متاحة للجمهور تم إنشاؤها بشكل صريح لمهمة تقييم جودة الشبكة. نحن نتحقق من العديد من الميزات الإدراكية والبصرية لاختيار التركيبة الأكثر فعالية. تُظهر المقارنات مع أحدث الأساليب البديلة فعالية الإطار المقترح.
ISSN:21693536
DOI:10.1109/access.2021.3094663