CN112116669B - 一种基于颜色和谐和平面构成的图像美学预测方法 - Google Patents

一种基于颜色和谐和平面构成的图像美学预测方法 Download PDF

Info

Publication number
CN112116669B
CN112116669B CN202010818722.3A CN202010818722A CN112116669B CN 112116669 B CN112116669 B CN 112116669B CN 202010818722 A CN202010818722 A CN 202010818722A CN 112116669 B CN112116669 B CN 112116669B
Authority
CN
China
Prior art keywords
color
aesthetic
layer
prediction
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010818722.3A
Other languages
English (en)
Other versions
CN112116669A (zh
Inventor
朱昌睿
杨柏林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202010818722.3A priority Critical patent/CN112116669B/zh
Publication of CN112116669A publication Critical patent/CN112116669A/zh
Application granted granted Critical
Publication of CN112116669B publication Critical patent/CN112116669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于颜色和谐和平面构成的图像美学预测方法。本发明首先对于基于颜色和谐和平面构成的数据集的提取与处理。然后以卷积神经网络为基础进行预测模型的构建。最后对于颜色和谐，平面构成，整体三个方面的图像特征融合以及预测模型的训练与测试。本发明采用了基于颜色和谐和平面构成的图像美学预测方法，通过对颜色和谐和平面构成的美学特征的提取分析，使得模型能更好的考虑到颜色和谐和平面构成对于美学质量评价的重要性。把美学特征加入到卷积神经网络中，并且大幅度提高了结果的精度，降低了预测误差。

Description

一种基于颜色和谐和平面构成的图像美学预测方法
技术领域
本发明属于图像处理技术领域，一种基于颜色和谐和平面构成的图像美学预测方法。
背景技术
究竟什么是图像美学质量呢？牛津高阶英语词典将美学定义为：“concerned withbeauty and art and the understanding of beautiful things,and made in anartistic way and beautiful to look at.”视觉美学质量是视觉感知美的一种度量。图像的视觉美学质量衡量了在人类眼中一幅图像的视觉吸引力。由于视觉美学是一个主观的属性，往往会涉及情感和个人品味，这使得自动评估图像美学质量是一项非常主观的任务。然而，人们往往会达成一种共识，即一些图像在视觉上比其他图像更有吸引力，这是新兴研究领域——可计算美学的原理之一。计算美学探索如何用可计算技术来预测人类对视觉刺激产生的情绪反应，使计算机模仿人类的审美过程，从而用可计算方法来自动预测图像的美学质量。
在计算机视觉中，图像的美学优化一直是一个很难解决的问题，而当能对图像进行一个比较符合大众审美的美学评价时，则能根据这个评价来对图像进行美学优化处理。如何得到符合大众审美的美学评价呢？对于一张图像来说，多个因素会影响你对于这张图像的感观，比如图像中的存在的颜色以及颜色之间的搭配，比如图像中的内容物件以及他们之间的布局搭配等等。所以如何能让模型学到各个方面的特征因素，是图像美学评价的关键。
传统的图像美学评价方法是基于人工设计特征提取器，在论文《Studyingaesthetics in photographic images using a computational approach》中结合了低级特征和高级特征，这些特征通常用于图像检索，并训练SVM分类器用于图像美学质量的二值分类。但是随着基于深度学习的技术的发展，人工设计的特征提取器被抛弃。研究者们在图像美学评评估任务中引入了深度卷积神经网络，由于深度学习其强大的自动特征学习能力，不需要人们有丰富的图像美学知识和摄影经验就可以自动提取图像美学特征。论文《RAPID:Rating Pictorial Aesthetics using Deep Learning》中提到的RAPID模型可以被认为是用美学数据训练卷积神经网络的第一次尝试。他们使用类似AlexNet的架构，其中最后一个全连接层输出2维概率进行审美二元分类。但是对于图像来说，颜色和谐和平面构成是决定这张图像是否具有美学质感的重要性因素，以上的方法并没有刻意在这两方面进行特征的研究提取。
发明内容
本发明针对现有技术的不足，提供了一种基于颜色和谐和平面构成的图像美学预测方法。用户可以通过输入图片，通过本文的方法预测出该图片的美学角度的评分分布来描述其美学质感，以1-10分的评分分布来表示。
本发明解决其技术问题所采用的技术方案步骤如下：
第一步：对于基于颜色和谐和平面构成的数据集的提取与处理。
1)以AVA数据集作为基础，其中AVA数据集中每张图片有78～549名评分者的平分，分数范围为1到10。把评分分布作为真值标签，把这些图片按照6:2:2的比例分为训练集，验证集和测试集。
2)通过K-means聚类的方法，对图片进行关于颜色和谐的美学特征提取。提取出来固定五种颜色的颜色主题，并且颜色主题按照在图片中占比不同，提取的面积比例也不同。
3)通过Holistically-Nested Edge Detection边缘检测算法来对图片进行关于平面构成的美学特征提取，提取出来图片的边缘检测图。
第二步：以卷积神经网络为基础进行预测模型的构建
1)对于基础的卷积神经网络模型进行选择，以Xception模型作为基础来进行预测模型的构建。
2)从颜色和谐方面开始入手，首先把颜色主题进行224*224*3的预处理转换。然后输入至一个六层的简单卷积网络结构。
第一层和第二层为64个滤波器，3*3的卷积核，步长统一为1*1，然后接入一层最大池化层。
第三层和第四层为128个滤波器，3*3的卷积核，步长统一为1*1，然后接入一层最大池化层。
第五层和第六层为256个滤波器，3*3的卷积核，步长统一为1*1，然后接入全局平均池化层，对第六层输出的关于颜色和谐的图像特征进行形状的统一化。
3)从平面构成方面开始入手，把边缘检测图输入如上相同的网络层结构中，同样通过接入全局平均池化层来对所输出的关于平面构成的图像特征进行形状的统一化。
4)从整体方面入手，把原图输入一个去除了全连接层的Xception模型中，同样通过接入全局平均池化层来对所输出的关于整体的图像特征进行形状的统一化。
第三步：对于颜色和谐，平面构成，整体三个方面的图像特征融合以及预测模型的训练与测试
1)把上一步所得到的图像特征进行融合，即分别融合了颜色和谐的美学特征，平面构成的美学特征以及原图的全局特征的三种图像特征。加入一个全连接层连接所有的图像特征，加入一个softmax层进行分类，并且按照1到10的评分分为10类，输出一个评级分布。
2)用AVA数据集、提取的颜色主题以及边缘检测图分别随机按照6:2:2的比例分为训练集，验证集和测试集来对预测模型进行训练优化，输出的损失函数选取EMD(陆地移动距离)，验证集用于避免预测模型的过拟合。
3)最后对于训练好的预测模型，输出的评级分布就是所想要预测的结果，并且通过评级分布可以直接得到预测的美学质感评分，以及对于这张图片预测评级分布的标准差。
本发明的有益效果：与之前的方法相比采用了基于颜色和谐和平面构成的图像美学预测方法，通过对颜色和谐和平面构成的美学特征的提取分析，使得模型能更好的考虑到颜色和谐和平面构成对于美学质量评价的重要性。把美学特征加入到卷积神经网络中，并且大幅度提高了结果的精度，降低了预测误差。
附图说明
图1为本发明方法流程图；
图2为原图；
图3为对图2提取的颜色主题图；
图4为对图2提取的边缘检测图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示，本发明包括以下步骤：
第一步：对于基于颜色和谐和平面构成的数据集的提取与处理。
1)以AVA数据集作为基础，它大约包含250,000张图片，这些照片是http:// DPChallenge.com上获取的。每张图片有78～549名评分者的评分，分数范围为1到10。把评分分布作为真值标签，把这些图片按照6:2:2的比例分为训练集，验证集和测试集。
2)通过K-means聚类的方法，对图片进行关于颜色和谐的美学特征提取。提取出来固定五种颜色的颜色主题，并且颜色主题按照在图片中占比不同，提取的面积比例也不同。
3)通过Holistically-Nested Edge Detection边缘检测算法来对图片进行关于平面构成的美学特征提取，提取出来图片的边缘检测图。剔除了不相关的信息，保留了图像重要的结构属性。
第二步：以卷积神经网络为基础进行预测模型的构建
1)对于基础的卷积神经网络模型进行选择，测试得到Xception对于数据相容性较好，所以就以Xception模型作为基础来进行预测模型的构建。
2)先从颜色和谐的美学特征开始入手，首先把颜色主题进行224*224*3的预处理转换。然后输入进一个六层的简单卷积网络结构。
第一层和第二层为64个滤波器，3*3的卷积核，步长统一为1*1，然后接入一层最大池化层。
第三层和第四层为128个滤波器，3*3的卷积核，步长统一为1*1，然后接入一层最大池化层。
第五层和第六层为256个滤波器，3*3的卷积核，步长统一为1*1，然后接入全局平均池化层，对图像特征进行形状的统一化，以便接下来的特征融合。之所以这样进行网络层设计是因为颜色属于低级特征，逐步提高滤波器数量，并且尽量使用浅层网络可以很好的学习到低级特征。
3)然后从平面构成的美学特征开始入手，把边缘检测图输入如上相同的网络层结构中，最后同样通过全局平均池化层来进行形状的统一。
4)然后从整体的全局特征入手，把原图输入进以Xception卷积神经网络为基础的训练模型中，同样对于模型的输出通过全局平均池化层来进行形状的统一。
第三步：对于颜色和谐，平面构成，整体三个方面的图像特征融合以及预测模型的训练与测试
1)把上一步所得到的图像特征进行融合，即融合了颜色和谐的美学特征，平面构成的美学特征，以及原图的全局特征这三种图像特征。加入一个全连接层连接所有的特征，然后加入一个softmax层进行分类，并且按照1到10的评分分为10类，输出一个评级分布。
2)用AVA数据集、提取的颜色主题以及边缘检测图分别随机按照6:2:2的比例分为训练集，验证集和测试集来对预测模型进行训练优化，输出的损失函数选取EMD(陆地移动距离)，陆地移动距离可以很好的体现出两个分布之间的差值。验证集用于避免预测模型的过拟合。
3)最后对于训练好的模型，输出的评级分布就是所想要预测的结果，并且通过评级分布可以直接得到预测的美学质感评分，以及对于这张图片预测评级分布的标准差。
实施例：
数据集采集过程：
图像美学质量评价专门的数据集AVA，它大约包含250,000张图片，这些照片是http://DPChallenge.com上获取的。每张图片由78～549名评分者得分，分数范围为1到10。把评分分布作为真值标签。把这些图片按照6:2:2的比例分为训练集，验证集和测试集。
对于这25w张图片进行颜色和谐特征图提取，采用k-means方法来进行提取，得到每张图片对应的颜色主题，由图2进行颜色和谐特征提取后可得到图3。
对于这25w张图片进行平面构成特征图提取，采用Holistically-Nested EdgeDetection方法来进行提取，得到每张图片对应的边缘检测图。由图2进行边缘检测特征提取后可得到图4。
图像训练过程：
分别从三组图片中随机选取60％作为训练集，然后同时输入模型中。图片统一转换为224*224*3。模型主要分为三个部分，第一部分是以Xception为基础的网络结构。剩下两个部分为简单的六个卷积层网络，中间穿插最大池化层，使其能更好的学习到颜色和谐特征和平面构成特征。这三个部分的输出都加入一个全局最大池化来进行输出特征的形状统一，来进行权重特征的融合。最后加上一个全连接层，以及softmax层，来进行最后的预测分类，输出为10类的评分分布。训练过程中，每进行1个完整的周期训练后，选取图片中的20％作为验证集，进行验证，防止模型的过拟合。
模型的测试与结果：
loss损失函数选取为陆地移动距离，可以很好的体现出两个分布之间的差值。当训练进行了10个完整周期后，如果模型验证集的loss函数值相比10个周期前没有减小，就认为模型已经训练完毕，停止训练。
选取图片中的20％作为测试集，采用二分类的评分准确度(ACC)方法来衡量结果，并且和现有的方法产生的预测结果进行对比。最终的结果如下表所示：
表1.图片美学评分预测结果对比
ACC
SVM人工特征提取预测结果 70.12％
RAPID模型预测结果 74.46％
本发明方法预测结果 77.14％

Claims (5)

1.一种基于颜色和谐和平面构成的图像美学预测方法，其特征在于该方法包括以下步骤：
第一步：对于基于颜色和谐和平面构成的数据集的提取与处理
1）以AVA数据集作为基础，其中AVA数据集中每张图片有78~549名评分者的平分，分数范围为1到10；把评分分布作为真值标签，把这些图片按照6:2:2的比例分为训练集，验证集和测试集；
2）通过K-means聚类的方法，对图片进行关于颜色和谐的美学特征提取，提取出来固定五种颜色的颜色主题；
3）通过边缘检测算法来对图片进行关于平面构成的美学特征提取，提取出来图片的边缘检测图；
第二步：以卷积神经网络为基础进行预测模型的构建
1）对于基础的卷积神经网络模型进行选择，以Xception模型作为基础来进行预测模型的构建；
2）从颜色和谐方面开始入手，把颜色主题进行224*224*3的预处理转换，输入至一个六层的卷积网络结构；通过接入全局平均池化层，对第六层输出的关于颜色和谐的图像特征进行形状的统一化；
3）从平面构成方面开始入手，把边缘检测图输入上述的卷积网络结构，同样通过接入全局平均池化层来对所输出的关于平面构成的图像特征进行形状的统一化；
4）从整体方面入手，把原图输入一个去除了全连接层的Xception模型中，同样通过接入全局平均池化层来对所输出的关于整体的图像特征进行形状的统一化；
第三步：对于颜色和谐、平面构成、整体三个方面的图像特征融合以及预测模型的训练与测试
1）把上一步所得到的图像特征进行融合，即分别融合了颜色和谐的美学特征，平面构成的美学特征以及原图的全局特征的三种图像特征；
加入一个全连接层连接所有的图像特征，加入一个softmax层进行分类，并且按照1到10的评分分为10类，输出一个评级分布；
2）用AVA数据集、提取的颜色主题以及边缘检测图分别随机按照6:2:2的比例分为训练集，验证集和测试集来对预测模型进行训练优化；
3）最后对于训练好的预测模型，输出的评级分布就是所想要预测的结果，并且通过评级分布可以直接得到预测的美学质感评分，以及对于这张图片预测评级分布的标准差。
2.根据权利要求1所述的一种基于颜色和谐和平面构成的图像美学预测方法，其特征在于：第一步中颜色主题按照在图片中占比不同，提取的面积比例也不同。
3.根据权利要求1所述的一种基于颜色和谐和平面构成的图像美学预测方法，其特征在于：第一步中所述的边缘检测算法采用Holistically-Nested Edge Detection边缘检测算法。
4.根据权利要求1所述的一种基于颜色和谐和平面构成的图像美学预测方法，其特征在于：第二步中的卷积网络结构为：
第一层和第二层为64个滤波器，3*3的卷积核，步长统一为1*1，然后接入一层最大池化层；
第三层和第四层为128个滤波器，3*3的卷积核，步长统一为1*1，然后接入一层最大池化层；
第五层和第六层为256个滤波器，3*3的卷积核，步长统一为1*1。
5.根据权利要求1所述的一种基于颜色和谐和平面构成的图像美学预测方法，其特征在于：第三步中预测模型训练优化时，其输出的损失函数选取陆地移动距离。
CN202010818722.3A 2020-08-14 2020-08-14 一种基于颜色和谐和平面构成的图像美学预测方法 Active CN112116669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010818722.3A CN112116669B (zh) 2020-08-14 2020-08-14 一种基于颜色和谐和平面构成的图像美学预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010818722.3A CN112116669B (zh) 2020-08-14 2020-08-14 一种基于颜色和谐和平面构成的图像美学预测方法

Publications (2)

Publication Number Publication Date
CN112116669A CN112116669A (zh) 2020-12-22
CN112116669B true CN112116669B (zh) 2023-05-30

Family

ID=73804911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010818722.3A Active CN112116669B (zh) 2020-08-14 2020-08-14 一种基于颜色和谐和平面构成的图像美学预测方法

Country Status (1)

Country Link
CN (1) CN112116669B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378885B (zh) * 2021-05-13 2022-10-14 武汉科技大学 一种基于优选图像对的新用户审美偏好标定和分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961346A (zh) * 2018-08-08 2018-12-07 浙江工商大学 基于bp神经网络对颜色和谐度进行预测的方法
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9659384B2 (en) * 2014-10-03 2017-05-23 EyeEm Mobile GmbH. Systems, methods, and computer program products for searching and sorting images by aesthetic quality

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961346A (zh) * 2018-08-08 2018-12-07 浙江工商大学 基于bp神经网络对颜色和谐度进行预测的方法
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘佳 ; 郁梅 ; 姜浩 ; 马华林 ; .结合美学特征的无参考色调映射图像质量评价.宁波大学学报(理工版).2018,(第06期),全文. *

Also Published As

Publication number Publication date
CN112116669A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
Cetinic et al. A deep learning perspective on beauty, sentiment, and remembrance of art
Santos et al. Artificial neural networks and deep learning in the visual arts: A review
CN108985377B (zh) 一种基于深层网络的多特征融合的图像高级语义识别方法
CN108629338B (zh) 一种基于lbp和卷积神经网络的人脸美丽预测方法
CN109165692B (zh) 一种基于弱监督学习的用户性格预测装置及方法
CN111291604A (zh) 面部属性识别方法、装置、存储介质及处理器
CN109902912B (zh) 一种基于性格特征的个性化图像美学评价方法
CN106295506A (zh) 一种基于集成卷积神经网络的年龄识别方法
CN104572804A (zh) 一种视频物体检索的方法及其系统
CN110689523A (zh) 基于元学习个性化图像信息评价方法、信息数据处理终端
CN107590478A (zh) 一种基于深度学习的年龄估计方法
Liu et al. An aesthetic measurement approach for evaluating product appearance design
Vogel et al. Category structure determines the relative attractiveness of global versus local averages.
CN112116669B (zh) 一种基于颜色和谐和平面构成的图像美学预测方法
CN114511759A (zh) 一种皮肤状态图像的类别识别和特征确定方法及系统
CN112529054B (zh) 一种多源异构数据的多维度卷积神经网络学习者建模方法
CN112183645B (zh) 基于上下文感知的注意力机制的图像美学质量评价方法
CN111652238B (zh) 一种多模型集成方法及系统
Anderson et al. Category systems for real-world scenes
Cao et al. Fuzzy emotional semantic analysis and automated annotation of scene images
CN114550918A (zh) 一种基于绘画特征数据的心理障碍测评方法及系统
CN114429460A (zh) 一种基于属性感知关系推理的通用图像美学评估方法和装置
Dembani et al. UNSUPERVISED FACIAL EXPRESSION DETECTION USING GENETIC ALGORITHM.
CN112836754A (zh) 一种面向图像描述模型泛化能力评估方法
CN113689514A (zh) 一种面向主题的图像场景图生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant