基于显著性深层特征的无参考图像质量评价算法

doi:10.11772/j.issn.1001-9081.2021040597

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (6): 1957-1964.DOI: 10.11772/j.issn.1001-9081.2021040597

所属专题：多媒体计算与计算机仿真

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于显著性深层特征的无参考图像质量评价算法

李佳¹, 郑元林¹^,²(), 廖开阳¹^,², 楼豪杰¹, 李世宇¹, 陈泽豪¹

^1.西安理工大学印刷包装与数字媒体学院，西安 710048
^2.陕西省印刷包装工程重点实验室，西安 710048

收稿日期:2021-04-16 修回日期:2021-07-02 接受日期:2021-07-15 发布日期:2022-06-22 出版日期:2022-06-10
通讯作者: 郑元林
作者简介:李佳（1997—），女，四川广安人，硕士研究生，主要研究方向：深度学习、图像处理
廖开阳（1976—），男，湖北荆州人，讲师，博士，主要研究方向：机器视觉、人工智能
楼豪杰（1996—），男，浙江义乌人，硕士研究生，主要研究方向：计算机视觉、目标检测
李世宇（1999—），男，陕西西安人，主要研究方向：图像处理
陈泽豪（2002—），男，陕西渭南人，主要研究方向：图像处理。
基金资助:
国家自然科学基金资助项目(61771386);陕西省自然科学基金资助项目(2021JM-340)

No-reference image quality assessment algorithm based on saliency deep features

Jia LI¹, Yuanlin ZHENG¹^,²(), Kaiyang LIAO¹^,², Haojie LOU¹, Shiyu LI¹, Zehao CHEN¹

^1.Faculty of Printing，Packaging Engineering and Digital Media Technology，Xi’an University of Technology，Xi’an Shaanxi 710048，China
^2.Printing and Packaging Engineering Technology Research Centre of Shaanxi Province，Xi’an Shaanxi 710048，China

Received:2021-04-16 Revised:2021-07-02 Accepted:2021-07-15 Online:2022-06-22 Published:2022-06-10
Contact: Yuanlin ZHENG
About author:LI Jia，born in 1997，M. S. candidate. Her research interests include deep learning，image processing
LIAO Kaiyang，born in 1976，Ph. D.，lecturer. His research interests include machine vision，artificial intelligence.
LOU Haojie，born in 1996，M. S. candidate. His research interests include computer vision，object detection.
LI Shiyu，born in 1999. His research interests include image processing
CHEN Zehao，born in 2002，. His research interests include image processing.
Supported by:
National Natural Science Foundation of China(61771386);Natural Science Foundation of Shaanxi Province(2021JM-340)

摘要/Abstract

摘要：

针对通用型无参考图像质量评价（NR-IQA）算法，提出一种基于伪参考图像显著性深层特征的评价算法。首先，在失真图像的基础上，利用微调的ConSinGAN模型生成相应的伪参考图像作为失真图像的补偿信息，弥补NR-IQA算法缺少真实参考信息的不足；然后，提取伪参考图像的显著性信息，将伪参考显著性图像与失真图像输入到VGG16网络中提取深层特征；最后，融合二者的深层特征并将其映射到由全连接层组成的回归网络中，从而产生与人类视觉一致的质量预测。为了验证算法的有效性，在四个大型公开的图像数据集TID2013、TID2008、CSIQ与LIVE上进行实验，结果显示所提算法在TID2013数据集上的斯皮尔曼秩相关系数（SROCC）比H-IQA算法提升了5个百分点，比RankIQA算法提升了14个百分点，针对单一失真类型也具有稳定的性能。实验结果表明，所提算法总体表现优于现有主流全参考图像质量评价（FR-IQA）和NR-IQA算法，与人类主观感知表现一致。

关键词: 无参考图像质量评价, 生成对抗网络, 显著性, 深度学习, 超分辨率

Abstract:

Aiming at the universal No-Reference Image Quality Assessment （NR-IQA） algorithms， a new NR-IQA algorithm based on the saliency deep features of the pseudo reference image was proposed. Firstly， based on the distorted image， the corresponding pseudo reference image of the distorted image generated by ConSinGAN model was used as compensation information of the distorted image， thereby making up for the weakness of NR-IQA methods： lacking real reference information. Secondly， the saliency information of the pseudo reference image was extracted， and the pseudo saliency map and the distorted image were input into VGG16 netwok to extract deep features. Finally， the obtained deep features were merged and mapped into the regression network composed of fully connected layers to obtain a quality prediction consistent with human vision.Experiments were conducted on four large public image datasets TID2013， TID2008， CSIQ and LIVE to prove the effectiveness of the proposed algorithm. The results show that the Spearman Rank-Order Correlation Coefficient （SROCC） of the proposed algorithm on the TID2013 dataset is 5 percentage points higher than that of H-IQA （Hallucinated-IQA） algorithm and 14 percentage points higher than that of RankIQA （learning from Rankings for no-reference IQA） algorithm. The proposed algorithm also has stable performance for the single distortion types. Experimental results indicate that the proposed algorithm is superior to the existing mainstream Full-Reference Image Quality Assessment （FR-IQA） and NR-IQA algorithms， and is consistent with human subjective perception performance.

Key words: No-Reference Image Quality Assessment (NR-IQA), Generative Adversarial Network (GAN), saliency, deep learning, super-resolution

中图分类号:

TP391.41

李佳, 郑元林, 廖开阳, 楼豪杰, 李世宇, 陈泽豪. 基于显著性深层特征的无参考图像质量评价算法[J]. 计算机应用, 2022, 42(6): 1957-1964.

Jia LI, Yuanlin ZHENG, Kaiyang LIAO, Haojie LOU, Shiyu LI, Zehao CHEN. No-reference image quality assessment algorithm based on saliency deep features[J]. Journal of Computer Applications, 2022, 42(6): 1957-1964.

图/表 7

参考文献 40

1	KIM J， LEE S. Deep learning of human visual sensitivity in image quality assessment framework［C］// Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1969-1977. 10.1109/cvpr.2017.213
2	孙荣荣. 基于灰度共生矩阵相似图的图像质量评价方法［J］. 计算机应用， 2020， 40（S1）： 177-179. 10.11772/j.issn.1001-9081.2019060957
	SUN R R. Image quality assessment method based on similarity maps of gray level co-occurrence matrix［J］. Journal of Computer Applications， 2020， 40（S1）：177-179. 10.11772/j.issn.1001-9081.2019060957
3	GOLESTANEH S A， KARAM L J. Reduced-reference quality assessment based on the entropy of DWT coefficients of locally weighted gradient magnitudes［J］. IEEE Transactions on Image Processing， 2016， 25（11）： 5293-5303. 10.1109/tip.2016.2601821
4	LIU X L， J van de WEIJEI， BAGDANOV A D. RankIQA： learning from rankings for no-reference image quality assessment［C］// Proceedings of 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 1040-1049. 10.1109/iccv.2017.118
5	MIN X K， ZHAI G T， GU K， et al. Blind image quality estimation via distortion aggravation［J］. IEEE Transactions on Broadcasting， 2018， 64（2）： 508-517. 10.1109/tbc.2018.2816783
6	SU S L， YAN Q S， ZHU Y， et al. Blindly assess image quality in the wild guided by a self-adaptive hyper network［C］// Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 3664-3673. 10.1109/cvpr42600.2020.00372
7	ZHANG L， ZHANG L， BOVIK A C. A feature-enriched completely blind image quality evaluator［J］. IEEE Transactions on Image Processing， 2015， 24（8）： 2579-2591. 10.1109/tip.2015.2426416
8	SAAD M A， BOVIK A C， CHARRIER C. Blind image quality assessment： a natural scene statistics approach in the DCT domain［J］. IEEE Transactions on Image Processing， 2012， 21（8）： 3339-3352. 10.1109/tip.2012.2191563
9	BOSSE S， MANIRY D， MÜLLER K R， et al. Deep neural networks for no-reference and full-reference image quality assessment［J］. IEEE Transactions on Image Processing， 2018， 27（1）： 206-219. 10.1109/tip.2017.2760518
10	XU P， GUO M， CHEN L， et al. No-reference stereoscopic image quality assessment based on binocular statistical features and machine learning［J］. Complexity， 2021， 2021： No.8834652. 10.1155/2021/8834652
11	MIN X K， MA K D， GU K， et al. Unified blind quality assessment of compressed natural， graphic， and screen content images［J］. IEEE Transactions on Image Processing， 2017， 26（11）： 5462-5474. 10.1109/tip.2017.2735192
12	曹玉东，蔡希彪. 基于增强型对抗学习的无参考图像质量评价算法［J］. 计算机应用， 2020， 40（11）： 3166-3171. 10.11772/j.issn.1001-9081.2020010012
	CAO Y D， CAI X B. No-reference image quality assessment algorithm with enhanced adversarial learning［J］. Journal of Computer Applications， 2020， 40（11）： 3166-3171. 10.11772/j.issn.1001-9081.2020010012
13	HINT T， FISHER M， WANG O， et al. Improved techniques for training single-image GANs［C］// Proceedings of 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 1299-1308. 10.1109/wacv48630.2021.00134
14	胡晋滨，柴雄力，邵枫. 基于伪参考图像深层特征相似性的盲图像质量评价［J］. 光电子·激光， 2019， 30（11）： 1184-1193.
	HU J B， CHAI X L， SHAO F. Deep features similarity for blind quality assessment using Pseudo-reference image［J］. Journal of Optoelectronics·Laser， 2019， 30（11）： 1184-1193.
15	LIN K Y， WANG G X. Hallucinated-IQA： no-reference image quality assessment via adversarial learning［C］// Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 732-741. 10.1109/cvpr.2018.00083
16	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014： 2672-2680.
17	ARJOVSKY M， CHINATALA S， BOTTOU L， et al. Wasserstein generative adversarial networks［C］// Proceedings of the 34th International Conference on Machine Learning. New York： JMLR.org， 2017： 214-223.
18	MIRZA M， OSINDERO S. Conditional generative adversarial nets［EB/OL］. （2014-11-06）［2021-07-07］..
19	RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks［EB/OL］. （2016-01-07）［2021-07-07］..
20	SØNDERBY C K， CABALLERO J， THEIS L， et al. Amortised MAP inference for image super-resolution［EB/OL］. （2017-02-21）［2021-07-07］..
21	ZHANG K， van GOOL L， TIMOFTE R. Deep unfolding network for image super-resolution［C］// Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 3214-3223. 10.1109/cvpr42600.2020.00328
22	SHI W Z， CABALLERO J， HUSZÁR F， et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 1874-1883. 10.1109/cvpr.2016.207
23	GULRAJANI I， AHMED F， ARJOVSKY M， et al. Improved training of Wasserstein GANs［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 5769-5779.
24	KINGMA D P， BA J L. Adam： a method for stochastic optimization［EB/OL］. （2017-01-30）［2021-07-07］..
25	SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： a simple way to prevent neural networks from overfitting［J］. Journal of Machine Learning Research， 2014， 15： 1929-1958.
26	PONOMARENKO N， IEREMEIEV O， LUKIN V， et al. Color image database TID2013： peculiarities and preliminary results［C］// Proceedings of the 2013 European Workshop on Visual Information Processing. Piscataway： IEEE， 2013： 106-111. 10.1109/euvip.2014.7018376
27	SHEIKH H R， SABIR M F， BOVIK A C. A statistical evaluation of recent full reference image quality assessment algorithms［J］. IEEE Transactions on Image Processing， 2006， 15（11）： 3440-3451. 10.1109/tip.2006.881959
28	LARSON E C， CHANDLER D M. Most apparent distortion： full-reference image quality assessment and the role of strategy［J］. Journal of Electronic Imaging， 2010， 19（1）： No.011006. 10.1117/1.3267105
29	PONOMARENKO N， LUKIN V， ZELENSKY A， et al. TID2008 — a database for evaluation of full-reference visual quality assessment metrics［J］. Advances of Modern Radioelectronics， 2009， 10（4）： 30-45.
30	WANG Z， BOVIK A C， SHEIKH H R， et al. Image quality assessment： from error visibility to structural similarity［J］. IEEE Transactions on Image Processing， 2004， 13（4）： 600-612. 10.1016/j.jvcir.2019.102655
31	ZHANG L， ZHANG L， MOU X Q， et al. FSIM： a feature similarity index for image quality assessment［J］. IEEE Transactions on Image Processing， 2011， 20（8）： 2378-2386. 10.1109/tip.2011.2109730
32	ZHANG L， SHEN Y， LI H Y. VSI： a visual saliency-induced index for perceptual image quality assessment［J］. IEEE Transactions on Image Processing， 2014， 23（10）： 4270-4281. 10.1109/tip.2014.2346028
33	XUE W F， ZHANG L， MOU X Q， et al. Gradient magnitude similarity deviation： a highly efficient perceptual image quality index［J］. IEEE Transactions on Image Processing， 2014， 23（2）： 684-695. 10.1109/tip.2013.2293423
34	SUN W， LIAO Q M， XUE J H， et al. SPSIM： a superpixel-based similarity index for full-reference image quality assessment［J］. IEEE Transactions on Image Processing， 2018， 27（9）： 4232-4244. 10.1109/tip.2018.2837341
35	WANG H， FU J， HU S，et al.Image quality assessment based on local linear information and distortion-specific compensation［J］.IEEE Transactions on Image Processing， 2017， 26（2）： 915-926. 10.1109/tip.2016.2639451
36	MOORTHY A K， BOVIK A C. Blind image quality assessment： from natural scene statistics to perceptual quality［J］. IEEE Transactions on Image Processing， 2011， 20（12）： 3350-3364. 10.1109/tip.2011.2147325
37	杨璐，王辉，魏敏. 基于机器学习的无参考图像质量评价综述［J］. 计算机工程与应用， 2018， 54（19）： 34-42. 10.3778/j.issn.1002-8331.1807-0169
	YANG L， WANG H， WEI M. Review of no-reference image quality assessment based on machine learning［J］. Computer Engineering and Applications， 2018， 54（19）： 34-42. 10.3778/j.issn.1002-8331.1807-0169
38	MOORTHY A K， BOVIK A C. A two-step framework for constructing blind image quality indices［J］. IEEE Signal Processing Letters， 2010， 17（5）： 513-516. 10.1109/lsp.2010.2043888
39	ALIZADEH M， SHARIFKHANI M. Subjective video quality prediction based on objective video quality metrics［C］// Proceedings of 4th Iranian Conference on Signal Processing and Intelligent Systems. Piscataway： IEEE， 2018： 7-9. 10.1109/icspis.2018.8700561
40	LI D Q， JIANG T T， LIN W S， et al. Which has better visual quality： the clear blue sky or a blurry animal？［J］. IEEE Transactions on Multimedia， 2019， 21（5）： 1221-1234. 10.1109/tmm.2018.2875354

数据集	IQA	SSIM	FSIMc	VSI	GMSD	SPSIM	LLM	本文算法
TID2013	SROCC	0.742	0.851	0.897	0.805	0.904	0.904	0.918
	PLCC	0.789	0.877	0.900	0.854	0.909	0.907	0.932
	KROCC	0.559	0.667	0.718	0.633	0.725	0.721	0.758
	RMSE	0.761	0.596	0.540	0.644	0.517	0.528	0.461
TID2008	SROCC	0.775	0.884	0.898	0.891	0.910	0.908	0.927
	PLCC	0.773	0.876	0.876	0.872	0.893	0.897	0.933
	KROCC	0.577	0.699	0.712	0.709	0.730	0.737	0.773
	RMSE	0.851	0.647	0.647	0.657	0.605	0.598	0.436
LIVE	SROCC	0.948	0.965	0.952	0.960	0.962	0.961	0.982
	PLCC	0.945	0.961	0.943	0.960	0.960	0.958	0.983
	KROCC	0.796	0.836	0.806	0.827	0.827	0.823	0.831
	RMSE	8.946	7.530	8.682	7.621	7.629	7.768	7.343
CSIQ	SROCC	0.876	0.931	0.942	0.957	0.944	0.905	0.963
	PLCC	0.861	0.919	0.928	0.954	0.934	0.900	0.944
	KROCC	0.691	0.769	0.786	0.813	0.788	0.724	0.828
	RMSE	0.133	0.103	0.098	0.079	0.093	0.123	0.077

数据集	IQA	SSIM	FSIMc	VSI	GMSD	SPSIM	LLM	本文算法
TID2013	SROCC	0.742	0.851	0.897	0.805	0.904	0.904	0.918
	PLCC	0.789	0.877	0.900	0.854	0.909	0.907	0.932
	KROCC	0.559	0.667	0.718	0.633	0.725	0.721	0.758
	RMSE	0.761	0.596	0.540	0.644	0.517	0.528	0.461
TID2008	SROCC	0.775	0.884	0.898	0.891	0.910	0.908	0.927
	PLCC	0.773	0.876	0.876	0.872	0.893	0.897	0.933
	KROCC	0.577	0.699	0.712	0.709	0.730	0.737	0.773
	RMSE	0.851	0.647	0.647	0.657	0.605	0.598	0.436
LIVE	SROCC	0.948	0.965	0.952	0.960	0.962	0.961	0.982
	PLCC	0.945	0.961	0.943	0.960	0.960	0.958	0.983
	KROCC	0.796	0.836	0.806	0.827	0.827	0.823	0.831
	RMSE	8.946	7.530	8.682	7.621	7.629	7.768	7.343
CSIQ	SROCC	0.876	0.931	0.942	0.957	0.944	0.905	0.963
	PLCC	0.861	0.919	0.928	0.954	0.934	0.900	0.944
	KROCC	0.691	0.769	0.786	0.813	0.788	0.724	0.828
	RMSE	0.133	0.103	0.098	0.079	0.093	0.123	0.077

算法	LIVE		TID2013
算法	SROCC	PLCC	SROCC	PLCC
DIQaM-FR^［9］	0.966	0.977	0.859	0.880
DIIVINE^［35］	0.925	0.923	0.549	0.654
CORNIA^［36］	0.942	0.935	0.549	0.613
BIQI^［37］	0.841	0.843	0.860	0.870
DIQaM-NR^［9］	0.960	0.972	0.835	0.855
hyperIQA^［6］	0.968	0.966	—	—
H-IQA^［14］	0.982	0.982	0.871	—
RankIQA^［4］	0.981	0.982	0.780	—
本文算法	0.982	0.983	0.918	0.932

算法	LIVE		TID2013
算法	SROCC	PLCC	SROCC	PLCC
DIQaM-FR^［9］	0.966	0.977	0.859	0.880
DIIVINE^［35］	0.925	0.923	0.549	0.654
CORNIA^［36］	0.942	0.935	0.549	0.613
BIQI^［37］	0.841	0.843	0.860	0.870
DIQaM-NR^［9］	0.960	0.972	0.835	0.855
hyperIQA^［6］	0.968	0.966	—	—
H-IQA^［14］	0.982	0.982	0.871	—
RankIQA^［4］	0.981	0.982	0.780	—
本文算法	0.982	0.983	0.918	0.932

IQA	TID2013		LIVE
IQA	CSIQ	LIVE	CSIQ	TID2013
BRISQUE^［38］	0.639	0.681	0.577	0.367
BLIINDS-II^［39］	0.456	0.836	0.577	0.393
DIIVINE^［35］	0.146	0.687	0.596	0.355
CORNIA^［36］	0.656	—	0.663	0.429
DIQaM-NR^［9］	0.717	0.982	0.681	0.392
本文算法	0.761	0.953	0.693	0.482

基于显著性深层特征的无参考图像质量评价算法

No-reference image quality assessment algorithm based on saliency deep features

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 40

相关文章 15

编辑推荐

Metrics

失真类型	BRISQUE	DIIVINE	RankIQA	H-IQA	本文算法
均值	0.551	0.506	0.691	0.681	0.810
AGN	0.706	0.855	0.667	0.923	0.875
ANC	0.523	0.712	0.620	0.880	0.853
SCN	0.776	0.463	0.821	0.945	0.800
MN	0.295	0.675	0.365	0.673	0.782
HFN	0.836	0.878	0.760	0.955	0.915
IN6	0.802	0.806	0.736	0.810	0.735
QN	0.682	0.165	0.783	0.855	0.937
GB	0.861	0.934	0.809	0.832	0.960
DEN	0.500	0.723	0.767	0.957	0.963
JPEG	0.790	0.629	0.866	0.914	0.902
JP2K	0.779	0.853	0.878	0.624	0.949
JGTE	0.254	0.239	0.704	0.460	0.869
J2TE	0.723	0.061	0.810	0.782	0.906
NEPN	0.213	0.060	0.512	0.664	0.874
Block	0.197	0.093	0.622	0.122	0.588
MS	0.217	0.010	0.268	0.182	0.303
CTC	0.079	0.460	0.613	0.376	0.627
CCS	0.113	0.068	0.662	0.156	0.744
MGN	0.674	0.787	0.619	0.850	0.806
CN	0.198	0.116	0.644	0.614	0.661
LCNI	0.627	0.633	0.800	0.852	0.816
ICQD	0.849	0.436	0.779	0.911	0.837
CHA	0.724	0.661	0.629	0.381	0.882
SSR	0.811	0.833	0.859	0.616	0.868

[1]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[3]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[4]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[5]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[6]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[7]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[8]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[9]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[10]	刘丽, 侯海金, 王安红, 张涛. 基于多尺度注意力的生成式信息隐藏算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2102-2109.
[11]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[12]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[13]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[14]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[15]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.