[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

说明书

本发明提出了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。将图像的美学特征由密集卷积神经网络模型提取出来，以多维矩阵保留一部分图像特征，利用分层多任务网络对已知的图像属性进行回归分析。多次训练分析后，使得到的预测结果与训练数据集中的数据达到较高的拟合程度，保存最终的训练模型，并用此模型在测试数据集上进行测试，得到该方法的回归结果。由于使用的数据集并未具有某种倾向性，因此得到的美学属性预测算法模型，具有一定的普适性。该方法使用谷歌的Tensorflow框架实现，可广泛应用推广到计算机视觉、图像分析与处理、数码摄影和数字娱乐等领域中。

技术领域

本发明属于可视计算、计算机视觉领域，特别是图像美学评价领域，尤其是多任务分析预测方法。

背景技术

图像美学属性评价的早期工作主要集中在各种图像美学特征的手工设计上，并采用模式识别算法进行美学质量预测。另一条研究路线试图通过一些手工设计的通用图像特征直接拟合图像美学的质量。

最近，研究从大数据深度图像特征显示出良好的性能，并且性能超出了传统的手工设计特性，并使用来自在线专业摄影社区的图像美学属性评价数据。

美学评价是一项主观的视觉任务。因此图像美学的质量评价是模糊的，审美图像的质量评价有不同的方法。

在美学分类领域，人们通常使用两个价值标签，如良好的图像和不良的图像，这些标签通常用于表现图像美学的质量。而在美学评分领域，一些回归网络开始得到图像的得分美学，这些模型通过卷积神经网络设计来呈现二元分类结果或一维数值评价的图像美学质量。在神经网络的深度和大众美学图像质量评估数据集AVA发布之前，出现了基于支持向量机预测方法的美学图像质量评价分布。

基于多个美学属性的回归分析而提出的美学属性评价方法，则较之前的方法更为详细具体，所描述的内容也更多。同时对图像的美学评价开始出现具有一定程度的个性化分析，可以预测得到某一项无法用数字描述的美学属性的图像美学质量。

现有的算法存在的缺点在于运算量巨大，需要对数据集训练较常的时间才能获得相应的结果，其次对于预测的结果而言，出现了个别美学属性预测结果准确性高、其他的美学属性预测结果准确性低的现状。就方法本身而言，仍存在一定的不足。

发明内容

本发明要解决技术问题为：基于目前已知的图像美学的数据集，提供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，该方法能有效减少对图像美学的描述，提供在图像美学方面更多的信息，同时具有更高的准确率和运行效率。

本发明技术解决方案：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，包括以下步骤：

(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。

所述步骤(1)中的高维矩阵包括64维、128维、256维；

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)；