抽象藝術(shù)旨在通過顏色、線條、形狀等視覺藝術(shù)元素來表達(dá)作品的審美和情感。對(duì)抽象圖像進(jìn)行自動(dòng)情感識(shí)別不僅有利于藝術(shù)品信息管理,也能夠促進(jìn)抽象藝術(shù)的普及和推廣。傳統(tǒng)基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法的抽象圖像情感識(shí)別模型大多需要人工設(shè)計(jì)視覺特征,這種方式不僅費(fèi)時(shí)費(fèi)力而且存在“語義鴻溝”問題。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)能夠逐層抽象地自動(dòng)學(xué)習(xí)圖像特征,從而有效地彌合圖像像素與人類感知之間的鴻溝,這使得它被廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。但是訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)需要大規(guī)模數(shù)據(jù)集,而標(biāo)注成本過高導(dǎo)致現(xiàn)有的抽象圖像情感識(shí)別數(shù)據(jù)集不足以充分訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。本文基于深度學(xué)習(xí)和遷移學(xué)習(xí)技術(shù)設(shè)計(jì)了兩種不同的抽象圖像情感識(shí)別算法,旨在解決抽象圖像情感識(shí)別所面臨的小樣本問題。主要研究內(nèi)容和創(chuàng)新點(diǎn)如下:1.針對(duì)抽象圖像情感識(shí)別的小樣本問題,提出了一種基于兩層遷移卷積神經(jīng)網(wǎng)絡(luò)的抽象圖像情感識(shí)別方法。該方法將兩層遷移學(xué)習(xí)策略引入傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò),利用深度特征的層次性,首先遷移大規(guī)模通用圖像數(shù)據(jù)集的淺層網(wǎng)絡(luò)權(quán)重來學(xué)習(xí)提取普適的底層圖像特征,然后遷移抽象圖像風(fēng)格分類數(shù)據(jù)集的深層網(wǎng)絡(luò)權(quán)重來學(xué)...

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 抽象圖像情感識(shí)別相關(guān)工作
        1.2.2 融合遷移學(xué)習(xí)策略的深度學(xué)習(xí)相關(guān)工作
    1.3 研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 課題研究基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    2.2 遷移學(xué)習(xí)
        2.2.1 基礎(chǔ)概念
        2.2.2 遷移學(xué)習(xí)方法
        2.2.3 遷移學(xué)習(xí)機(jī)制在深度學(xué)習(xí)領(lǐng)域的應(yīng)用
    2.3 抽象圖像情感識(shí)別數(shù)據(jù)集
        2.3.1 MART數(shù)據(jù)集
        2.3.2 deviantArt數(shù)據(jù)集
        2.3.3 數(shù)據(jù)集標(biāo)注
    2.4 本章小結(jié)
第三章 基于兩層遷移卷積神經(jīng)網(wǎng)絡(luò)的抽象圖像情感識(shí)別
    3.1 問題描述
    3.2 算法描述
        3.2.1 模型設(shè)計(jì)
        3.2.2 兩層遷移學(xué)習(xí)策略
        3.2.3 算法流程
    3.3 實(shí)驗(yàn)設(shè)計(jì)與分析
        3.3.1 實(shí)驗(yàn)設(shè)計(jì)
        3.3.2 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第四章 基于選擇性聯(lián)合微調(diào)的抽象圖像情感識(shí)別
    4.1 問題描述
    4.2 算法描述
        4.2.1 深度風(fēng)格特征
        4.2.2 多任務(wù)學(xué)習(xí)
        4.2.3 選擇性聯(lián)合微調(diào)策略
        4.2.4 算法流程
    4.3 實(shí)驗(yàn)設(shè)計(jì)與分析
        4.3.1 實(shí)驗(yàn)設(shè)計(jì)
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3870252