基于回归模型图像审美质量评估方法研究.pdfVIP

VIS基于回归模型的审美质量评估

，黄凯奇

自动化智能感知与计算，模式识别国家重点

提取一些可描述的属性，包括构图属性、内容属性

近年来，审美图像分析受到了广泛关注。然而，评估审和天空光照属性，这些属性是人类用来描述图像的特征。

美质量，特别是审美评分预测，是一个具有性的问此外，诸如视觉词袋（BOV）或向量（FV）之

题。在本文中，审美质量评估解释为一个回归问类的通用图像描述符也被用于审美质量评估[8],，这表

题，并通过直接使用神经网络训练回归模型提出了一种明它们可以传统的手工设计特征。，深度卷积

新的框架。首先，为了提取难以手动设计的审美特征，神经网络（CNN）已成功应用于许多任务。例如，

我们利用卷积网络来学习特征。然后，基于审美特征训[11,12,13]中的研究展示了CNN在ImageNet的视觉分

练一个回归模型。与大多数现有工作中只能预测审美类类任务中达到了最先进的结果。CNN可以自动学习特征，

别（高或低）的分类模型不同，回归模型可以预测连续它们在特征表示方面非常强大，并且可能学习到人类对

的审美评分。在发布的一个大规模数据集上的实验审美的感知。因此，我们尝试通过使用卷积网络来学习用

结果表明，所方法能够有效地评估与人类视觉系于审美质量评估的特征。

统相似的审美质量程度，并且优于最先进的方法。

审美质量是图像的一个属性，目前缺乏精确的

定义。在大多数相关研究中，图像数据集是从

社区获取的，并由社区成员进行评分。图像的审美

索引术语—审美图像分析，回归，卷积神经网络

质量通常取用户评分的平均得分，并用于标注图像。审

美评分接近人类对图像美学的感知。因此，视觉审美质

1.引言量评估应该是一个类似于人类视觉系统评分过程的回归

问题[14]。一些相关文献[15,16,17]已经表明，基于人

审美图像分析在计算机视觉领域引起了越来越多的

类视觉系统的方法可以有效提高图像质量。然而，大多

关注[1,2]。用于评估图像审美质量的自动化模型在许多

数先前的工作将审美质量评估视为一个分类问题，通过

应用中都非常有用，例如图像检索、管理、增

阈值化平均得分来创建高质量或低质量类别，并丢弃两

强和摄影[3,4]。尝试理解图像的视觉美学次感知

个类别之间的图像[5,4,3,14,6,8,7]。分类模型只能预

也是非常有趣的。在过去十年中，一些研究表明，即使对

测审美类别（高或低），而其中包含的信息少于审美评

人类来说这是一项具有性的任务，数据驱动方法[5,