典型文献
融合场景信息的图像美学属性评价
文献摘要：
目的 图像美学属性评价可以提供丰富的美学要素,极大地增强图像美学的可解释性.然而现有的图像美学属性评价方法并没有考虑到图像场景类别的多样性,导致评价任务的性能不够理想.为此,本文提出一种深度多任务卷积神经网络(multi task convolutional neural network,MTCNN)模型,利用场景信息辅助图像的美学属性预测.方法 本文模型由双流深度残差网络组成,其中一支网络基于场景预测任务进行训练,以提取图像的场景特征;另一支网络提取图像的美学特征.然后融合这两种特征,通过多任务学习的方式进行训练,以预测图像的美学属性和整体美学分数.结果 为了验证模型的有效性,在图像美学属性数据集(aesthetics and attributes database,AADB)上进行实验验证.结果显示,在斯皮尔曼相关系数(Spearman rank-order correlation coefficient,SRCC)指标上,本文方法各美学属性预测的结果较其他方法的最优值平均提升了 6.1％,本文方法整体美学分数预测的结果较其他方法的最优值提升了 6.2％.结论 提出的图像美学属性预测方法,挖掘了图像中的场景语义与美学属性的耦合关系,有效地提高了图像美学属性及美学分数预测的准确率.
文献关键词：
图像美学评价;美学属性;深度卷积网络;多任务学习;场景分类
中图分类号：
作者姓名：
李雷达;段佳忱;杨宇哲;李亚乾
作者机构：
西安电子科技大学人工智能学院,西安 710071;OPPO研究院,上海 200032
文献出处：
引用格式：
[1]李雷达;段佳忱;杨宇哲;李亚乾-.融合场景信息的图像美学属性评价)[J].中国图象图形学报,2022(11):3199-3209
A类：
AADB,图像美学评价
B类：
融合场景,美学属性,美学要素,增强图像,可解释性,评价任务,多任务卷积神经网络,multi,task,convolutional,neural,network,MTCNN,属性预测,双流,深度残差网络,场景特征,美学特征,多任务学习,整体美,验证模型,属性数据,aesthetics,attributes,database,斯皮尔曼相关系数,rank,order,correlation,coefficient,SRCC,其他方法,最优值,分数预测,场景语义,耦合关系,深度卷积网络,场景分类
AB值：
0.36642
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
