【摘要】：圖像美學(xué)質(zhì)量評估是計算機(jī)視覺領(lǐng)域熱點(diǎn)研究問題,并且極具應(yīng)用前景,可與眾多實(shí)際應(yīng)用深度結(jié)合。眾多相關(guān)工作將其定義為分類問題,使用"高質(zhì)量"、"低質(zhì)量"標(biāo)簽描述圖片美學(xué)質(zhì)量,結(jié)合美學(xué)特征和分類標(biāo)簽學(xué)習(xí)分類模型。由于分類標(biāo)簽為粗粒度表達(dá)形式,實(shí)用性低,因此本文提出研究細(xì)粒度的美學(xué)質(zhì)量相對排序。盡管相關(guān)工作提出的分類模型以及回歸模型亦可解決美學(xué)排序任務(wù),但是其僅利用圖片絕對美學(xué)質(zhì)量,而非相對排序關(guān)系,因而其排序性能較差。一些工作提出基于列排序的方案進(jìn)行排序預(yù)測,然而其訓(xùn)練過程中:1)利用所有可能的排序關(guān)系,但是內(nèi)容差異大的圖片間比較卻并不合理;2)提取預(yù)定義特征為美學(xué)特征,然而此特征無法充分描述圖像美學(xué)屬性。針對以上問題,本文首先提出基于圖片對的美學(xué)排序方案,在訓(xùn)練集中構(gòu)造圖片對反映排序關(guān)系,以此為樣本訓(xùn)練排序預(yù)測模型,且為去除噪聲提升質(zhì)量,應(yīng)用合理圖片對篩選策略對樣本進(jìn)過濾。為進(jìn)一步提升樣本質(zhì)量,本文提出基于圖像檢索的圖片對構(gòu)造策略,首先搭建一基于內(nèi)容的圖像檢索系統(tǒng),利用圖像檢索返回視覺內(nèi)容相似圖片,在此范圍內(nèi),依據(jù)特定生成準(zhǔn)則,將查詢圖片與相似圖片構(gòu)成圖片對。為擺脫預(yù)定義美學(xué)特征的限制,本文提出基于深度學(xué)習(xí)的美學(xué)排序方案,搭建雙通道卷積神經(jīng)網(wǎng)絡(luò)并設(shè)計相應(yīng)排序損失層,以圖片對為輸入,以排序關(guān)系為目標(biāo)優(yōu)化網(wǎng)絡(luò)權(quán)值參數(shù)。測試過程中,排序模型計算并輸出圖片的相對美學(xué)排序得分,并以此進(jìn)行排序,而得分的絕對值大小并無意義。為驗(yàn)證所提出方案的有效性,本文在兩個大型公開數(shù)據(jù)集CUHKPQ和AVA進(jìn)行美學(xué)排序?qū)嶒?yàn),并與其他各方案進(jìn)行對比,而實(shí)驗(yàn)結(jié)果則印證了所提出方案在美學(xué)排序任務(wù)上的優(yōu)越性。
[Abstract]:Image aesthetic quality assessment is a hot research issue in computer vision field, and has great application prospect, which can be combined with many practical applications. Many related works define it as a classification problem, and use the "high quality" and "low quality" labels to describe the aesthetic quality of pictures, and combine the aesthetic features with the classification label learning classification model. Because the classification label is coarse-grained expression form and low practicability, this paper puts forward the relative ranking of aesthetic quality of fine-grained research. Although the classification model and regression model proposed by related work can also solve the task of aesthetic ranking, their sorting performance is poor because they only use the absolute aesthetic quality of pictures rather than the relative sort relation. Some work put forward the method of ranking prediction based on column ranking. However, in the process of training, the ratio 1) uses all possible sort relationships, but the comparison between pictures with great difference in content is not reasonable. 2) extracting predefined features as aesthetic features. However, this feature can not fully describe the aesthetic attributes of images. Aiming at the above problems, this paper first puts forward an aesthetic sorting scheme based on picture pair, constructs the image pair to reflect the sort relation in the training set, and takes it as the prediction model of sample training ranking, and improves the quality of the training in order to remove the noise. A reasonable picture pair screening strategy was used to filter the samples. In order to further improve the quality of samples, this paper proposes an image pair construction strategy based on image retrieval. Firstly, a content-based image retrieval system is built. According to the specific generation criteria, the query picture and the similar picture constitute a picture pair. In order to get rid of the limitation of predefined aesthetic characteristics, this paper proposes an aesthetic ranking scheme based on deep learning, builds a two-channel convolution neural network and designs the corresponding ranking loss layer, taking the image pair as the input. The network weight parameters are optimized with the order relation as the objective. In the process of testing, the sorting model calculates and outputs the relative aesthetic ranking score of the picture, and then sorts it, but the absolute value of the score is meaningless. In order to verify the validity of the proposed scheme, this paper carries out aesthetic sorting experiments in two large open datasets, CUHKPQ and AVA, and compares them with other schemes. The experimental results confirm the superiority of the proposed scheme in the task of aesthetic ranking.
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周星璞;選擇價值工程改進(jìn)對象的動態(tài)排序模型[J];上海機(jī)械學(xué)院學(xué)報;1988年03期

2 王揚(yáng);黃亞樓;盧敏;龐曉東;謝茂強(qiáng);劉杰;;直接優(yōu)化性能指標(biāo)的多排序模型融合方法[J];計算機(jī)學(xué)報;2014年08期

3 肖依永;常文兵;張人;;基于模擬退火算法的多節(jié)點(diǎn)訂單排序模型[J];計算機(jī)應(yīng)用研究;2009年02期

4 姜文志;劉濤;栗飛;;基于作戰(zhàn)輔助決策系統(tǒng)的目標(biāo)威脅評估排序模型[J];兵工自動化;2010年06期

5 孫焰,李致中;單線區(qū)間列車最優(yōu)運(yùn)行次序的排序模型及解法[J];鐵道學(xué)報;1993年01期

6 王俊田;陳騫;歐淵;董良東;劉普高;;基于檢測結(jié)果的數(shù)據(jù)質(zhì)量排序模型[J];兵工自動化;2007年09期

7 姜濤;;病態(tài)信息修正中的建議值排序模型研究[J];科學(xué)技術(shù)與工程;2007年22期

8 潘皖印;序分值綜合排序模型的研究[J];科學(xué)管理研究;1998年01期

9 柯昌英;基于JIT的一種混流生產(chǎn)排序模型[J];科技進(jìn)步與對策;2005年05期

10 趙志宏;楊琦;;科技論文質(zhì)量綜合排序模型[J];長安大學(xué)學(xué)報(社會科學(xué)版);2008年03期

相關(guān)會議論文 前3條

1 曹迎槐;;排序模型之TKW遞推算法研究[A];管理科學(xué)與系統(tǒng)科學(xué)研究新進(jìn)展——第7屆全國青年管理科學(xué)與系統(tǒng)科學(xué)學(xué)術(shù)會議論文集[C];2003年

2 李波;邱錫鵬;吳立德;;使用語法分析和統(tǒng)計方法構(gòu)建問答系統(tǒng)的答案排序模型[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集（上）[C];2008年

3 吳強(qiáng);王同根;;Fuzzy—grey綜合評判排序模型[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會第三屆年會論文集（下卷）[C];1995年

相關(guān)博士學(xué)位論文 前2條

1 彭公孚;面向信息融合的句子排序若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2010年

2 程明寶;工件加工時間非恒定的排序模型研究[D];上海大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 張棟;蔬果類商品的包裝作業(yè)排序模型研究[D];大連理工大學(xué);2015年

2 姬賽;兩類半在線排序模型的算法性能分析[D];湖南師范大學(xué);2016年

3 張瀟瀟;航路交叉點(diǎn)容量優(yōu)化和排序模型研究[D];中國民航大學(xué);2016年

4 李梁;面向不同對象的搜索引擎中的排序模型與性能評價[D];中國科學(xué)技術(shù)大學(xué);2016年

5 徐菁;點(diǎn)評類社區(qū)高效評論挖掘研究[D];華南理工大學(xué);2016年

6 呂豪;基于排序的圖像美學(xué)質(zhì)量評估[D];中國科學(xué)技術(shù)大學(xué);2017年

7 翟倩;在線評論有用性排序模型研究[D];吉林大學(xué);2017年

8 錄嶺法;關(guān)于兩種現(xiàn)代排序模型的一些結(jié)果[D];鄭州大學(xué);2005年

9 郭文靜;兩階段模糊柔性流水車間排序模型及算法[D];南京理工大學(xué);2006年

10 張U，

本文編號：2223589