人臉美麗吸引力長期以來受到了來自社會科學(xué)和自然科學(xué)不同領(lǐng)域的關(guān)注和研究。心理學(xué)上的研究表明人臉吸引力表征與評價具有某種的數(shù)據(jù)驅(qū)動性與客觀性,這為機器實現(xiàn)人臉吸引力的智能評價提供了可能性。近年來,隨著機器學(xué)習(xí)尤其是深度學(xué)習(xí)的發(fā)展,人臉美麗吸引力受到了許多學(xué)者的關(guān)注,人臉吸引力評價系統(tǒng)也逐漸在輔助醫(yī)療美容、社交網(wǎng)站的個性化推薦和人臉美化系統(tǒng)等不同的場景中得到廣泛應(yīng)用。本課題將從不同的角度來研究人臉美麗吸引力評價的特征學(xué)習(xí)和預(yù)測模型,構(gòu)建智能化人臉吸引力評價系統(tǒng)。具體來說,針對傳統(tǒng)機器學(xué)習(xí)方法中特征工程與分類器分階段優(yōu)化的不足,人臉吸引力標(biāo)準(zhǔn)數(shù)據(jù)庫評價范式單一,人臉吸引力評價方法缺乏相對審美機制、人臉屬性信息的引導(dǎo)、以及個性化評價等因素的建模,本文基于深度學(xué)習(xí)方法,從構(gòu)建人臉美麗數(shù)據(jù)庫、人臉美麗評價算法以及個性化人臉美麗評價算法這幾個方向進(jìn)行展開研究,從而實現(xiàn)了讓機器具有和人類一樣的審美感知能力。本文的主要工作和創(chuàng)新點主要包括以下幾個方面:（1）針對目前缺乏規(guī)模較大的、屬性多樣的人臉美麗數(shù)據(jù)庫的難題,本文構(gòu)建了一個多范式的人臉美麗吸引力數(shù)據(jù)庫（SCUT-FBP5500數(shù)據(jù)庫）。更大規(guī)模的數(shù)據(jù)... 

【文章來源】：華南理工大學(xué)廣東省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：143 頁

【學(xué)位級別】：博士

【部分圖文】：

圖２－１?ＬｅＮｅｔ－５網(wǎng)絡(luò)結(jié)構(gòu)［＿??——

；２）不需要對圖??像做過多的預(yù)處理，以圖像像素值就可以作為輸入，避免了復(fù)雜的特征過程；３）?ＣＮＮ??特征對于圖像的縮放、平移、旋轉(zhuǎn)等畸變具有不變性，所以具有很強的泛化性能＾目前??的卷積神經(jīng)網(wǎng)絡(luò)中主要包含有卷積層、激活層、池化層、全連後層等基本單元接下來，??我們對這幾個塞本單元分別進(jìn)行詳細(xì)的介紹。??（１）卷積層??杏彳??—０、、＇、＇、－、、??＿｜：二＿：與??■跋二???＾?°?＾?輸入大�。剑叮�，??０?＞?１?卷碰大小＝３ｘ３，??步長＝３??圖２－２二維卷積示意圖??卷積層的功能是對輸入數(shù)據(jù)進(jìn)行提取特征，其內(nèi)部包含有多個卷積核。每個卷積核??在工作時，會以一定步長掃過輸入的特征圖，在每一步掃描時卷積核對輸入特征中的感??受野區(qū)域進(jìn)行按元素相乘再求和，求和的值作為輸出特征圖中相對應(yīng)的神經(jīng)元。因此可??以說，輸入特征圖中不同空間位置的神經(jīng)元共享同一個卷積核，并且輸出特征圖中每個??祌經(jīng)元都與前一層中感受野區(qū)域內(nèi)的多個神經(jīng)元相連，這就是卷積層權(quán)值共享、局部連??接的特性。為了更直觀地理解，圖２－２中展示了當(dāng)輸入特征圖大�。叮�，卷積核大小為??３?Ｘ?３，步長為３時的＾維卷積本意＿圓．》??由于現(xiàn)實中卷積核都是三維的，我們將二維卷積拓展到三維卷積。假設(shè)一個Ｈ維卷??積核的空間尺寸為／ｃｘ／ｃ，通道個數(shù)為Ｃ?（同時也代表輸入特征的通道數(shù)），則該卷積核??在工作時，每一步掃描都會對輸入特征的所有通道的／ｃ?ｘ?大小的感受野區(qū)域進(jìn)行矩陣??元素乘法求和。也就是說，每一次卷積都會產(chǎn)生Ｃｘ／ｃｘ／ｃ次乘法操作》圖２－３中展示了??１９??

?華南理工大學(xué)博士學(xué)位論文???最大池化是指將特征圖根據(jù)池化區(qū)域大孝步長、填充等參數(shù)劃分成著于個子ｇ域，??對每個子域取最大值作為輸出。平均池化則是對每個子區(qū)域取平均值作為輸出圖２－??４分別展示了輸入特征大小為６?Ｘ?６，池化區(qū)域３?Ｘ?３，步長為３的最大池化和平均池化。??平均池化??最大池化??＞＜??１，６?＾．１?ｚ??彳４１２?ｒｌｊ?全局平均池化??圖２－４不同的池化方式示意圖??全局〒均池化［１１６］則是指不再劃分子區(qū)域，將整張?zhí)卣鲌D當(dāng)成池化區(qū)域進(jìn)行乎均池??化的操作，類似操作還有全ＪＩ最大池化。這種全局池化的做法可以保證固定的輸出大小，??將特征圖從任何空間大小降為１?ｘ?１。因此，全局池化一般放在模型中第一層全連接層的??前面，對特征圖進(jìn)行統(tǒng)一降維，從而可以對模型輸入任何尺寸的圖片，而不再需要改變??全連接層的神經(jīng)元數(shù)量了（因為全連接層的輸入神經(jīng)元個數(shù)是固定的）。??根據(jù)以上的描述，總結(jié)出池化層具有以下的特點與優(yōu)勢：１）特征不變性，對輸入特??征的平移和旋轉(zhuǎn)具有不變性，更加關(guān)注具有某些特征而不是特征的位置；２）在空間尺度??上對特征進(jìn)行下采樣，減小了輸出尺寸，從而減少了參數(shù)量和計算開銷，使模型可以向??更深更寬的維度進(jìn)行擴展；３）模型的參數(shù)量減少，將在一定程度上防止過擬合。??（４）全連接層??一般來說，卷積神經(jīng)網(wǎng)絡(luò)中的卷積層和池化層的作用是對輸入圖像進(jìn)行特征提取，??而全連接層是對所提取的特征進(jìn)行非線性組合從而達(dá)到預(yù)測的目的。■此，全連接層一??般作為卷積神經(jīng)網(wǎng)絡(luò)的最后部分。全連接層實際上相當(dāng)于感知器中的隱含層、可通過公??式（２－５）進(jìn)行表示：??２２??

【參考文獻(xiàn)】：
博士論文
[1]人臉圖像的自適應(yīng)美化與渲染研究[D]. 梁凌宇.華南理工大學(xué) 2014
[2]人臉美麗吸引力的特征分析與機器學(xué)習(xí)[D]. 毛慧蕓.華南理工大學(xué) 2011

碩士論文
[1]基于深度學(xué)習(xí)的人臉美麗吸引力預(yù)測[D]. 許杰.華南理工大學(xué) 2017
[2]人臉美麗的特征分析及其云系統(tǒng)設(shè)計[D]. 謝多睿.華南理工大學(xué) 2017



本文編號：3613602