[发明专利]一种基于密集卷积网络和多任务网络的美学属性评价方法

权利要求书

1.一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于，实现步骤如下：

(1)将图像以高维矩阵的形式输入到密集卷积神经网络中，通过对图像中美学属性的提取，得到维度较之前更高包含图像特征的中间矩阵；所述美学属性包括：构图与透视、拍摄、快门、景深、色彩与光照、对焦；

(2)将得到的中间矩阵输入密集卷积神经网络，接着输入多任务网络的全连接层，最后得到预测的美学属性的分数；

(3)对得到的美学属性的分数进行均方误差回归分析，得到和图像的实际标准分数的差距，并用梯度下降算法反复调整密集卷积网络的权重参数以降低回归的错误率，得到调整后的美学属性；

(4)将调整后美学属性作为数据集，将所述数据集分为训练集和测试集，在训练集上进行美学属性评价方法模型的参数调整，保存最终美学属性的参数模型，在测试集上进行测试，得到最终的美学属性结果；所述美学属性评价方法模型包括密集卷积神经网络的模型和多任务网络的模型。

2.根据权利要求1所述的一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于：所述步骤(1)中的高维矩阵包括64维、128维、256维。

3.根据权利要求1所述的一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于：所述步骤(1)，美学属性提取采取以下步骤：

(11)将输入图像调整为统一尺寸(224x224)；

(12)以RGB三通道读取，通过计算密集卷积神经网络的残差而不断地提取出图像中美学属性；

(13)通过对图像中美学属性的特征进行采样，选择特点明显的局部图像特征，得到反映出图像的美学属性。

4.根据权利要求1所述的一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于：所述步骤(2)中密集卷积神经网络的构成依次为：

第一层：一个卷积核大小为7×7的卷积层，第一层的输入为输入矩阵；

第二层：一个池化区域为3×3的最大池化层；

第三层至第八层：由三个网络部分依次相接构成，每个网络部分包括一个密集卷积模块和一个过渡层；

第三层：第一个密集卷积模块，包括了6个1×1卷积操作和6个3×3卷积操作；

第四层：第一个过渡层，包括了1个1×1卷积操作和1个2×2平均池化层；

第五层：第二个密集卷积模块，包括了12个1×1卷积操作和12个3×3卷积操作；

第六层：第二个过渡层，包括了1个1×1卷积操作和1个2×2平均池化层；

第七层：第三个密集卷积模块，包括了36个1×1卷积操作和36个3×3卷积操作；

第八层：第三个过渡层，包括了1个1×1卷积操作和1个2×2平均池化层；

所述每个1×1卷积操作和每个卷积操作即认为是一次密集卷积操作，3个密集卷积模块分别执行了6次、12次、36次密集卷积操作；所使用的密集卷积神经网络满足每个密集卷积操作层输出的矩阵长度均小于100。

5.根据权利要求1所述的一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于：所述多任务网络所采用的分层多任务模型，具体的模型为对密集卷积网络输出的结果进行同时进行多个全连接层的操作，每个全连接层在网络结构上属于并行操作，即依据不同的真实值进行预测回归，同时不同的全连接层具有不同的梯度下降参数；每个全连接层的大小为128×1，通过全连接层，使得训练出的多个特征在一个数值上体现出来，即得到预测的美学属性的分数。

6.根据权利要求1所述的一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于：所述步骤(4)中，所述保存最终的参数模型被保存为checkpoint形式，即检查点形式。

7.根据权利要求1所述的一种基于密集卷积网络和多任务网络的美学属性评价方法，其特征在于：所述步骤(3)中，采用Tensorflow框架对得到的美学属性的分数进行均方误差回归分析，具体如下：将多任务网络模型中的多个全连接层得到的预测值分别与数据集提供的真实值相减，得到预测的误差，根据得到的误差进行梯度下降处理，使得误差能够按照步长大小稳定下降；预测的误差的计算采用均方误差的方法进行计算。