Metodi di Deep Learning per Blind Image Quality Assessment

Le tecniche di Deep Learning per Blind Image Quality Assessment consistono nella progettazione e sviluppo di reti neurali profonde per l'assegnazione di punteggi di qualità alle immagini. In questa tesi viene per prima cosa svolta un'indagine sugli approcci al problema presentati in letteratura. Viene presentato brevemente il funzionamento delle reti neurali convoluzionali e elencati dei modelli di successo, evidenziando per ciascuno le novità architetturali introdotte e i traguardi ottenuti in termini di prestazioni. Si procede poi con la progettazione di diversi modelli single-task e multi-task, utilizzando come architettura di partenza ResNet50 e EfficientNetB0. I task affrontati sono di regressione (predizione del punteggio di qualità) e di classificazione (riconoscimento delle categorie di scene raffigurate). Viene testato l'apprendimento automatico dei pesi assegnati ai due task nel caso multi-task. Vengono esposti e commentati i risultati di predizione del MOS anche in relazione alle classi di appartenenza.