[发明专利]基于元学习个性化图像信息评价方法、信息数据处理终端

说明书

本发明属于图像处理和计算机视觉技术领域，公开了一种基于元学习个性化图像信息评价方法、信息数据处理终端，利用元学习的思想从大量个体用户的个性化美学评价任务中学习美学先验元模型，能够有效地捕获个体用户在对图像审美的经验知识；在进行元学习训练过程中采用了从支持集到查询集的两级梯度优化方法，使得网络模型可以有效地学习到从训练样本到测试样本的适应能力，面对新的个性化美学评价任务可以进行快速适应和迁移学习。本发明通过未知个体用户的少量训练样本快速地学习到个性化图像美学评价；不需要精心设计网络结构，可以获取良好的个性化图像美学评价的泛化性能；性能比目前主流的个性化图像美学评价方法的性能更好。

技术领域

本发明属于图像处理和计算机视觉技术领域，尤其涉及一种基于元学习个性化图像信息评价方法、信息数据处理终端。

背景技术

目前，最接近的现有技术：随着社交媒体的快速发展和移动设备的普及，在大数据时代中图像和视频等视觉媒体的数据量与日俱增，如何处理此类多媒体数据已经成为计算机视觉和人类心理学等多个交叉学科领域的研究热点和重点。其中图像美学评价是其中的重要研究方向。图像美学评价旨在利用计算机系统模拟人类在对图像的美学感知计算和评估；从而自动评价图像的美感，因此图像美学评价是人类智能的体现，这种智能涉及图像处理、计算机视觉和心理学等诸多交叉领域，是一项具有挑战性的研究课题。利用图像美学评价方法可以自动地评估人类对图像的审美，因此在图像推荐系统、图像增强、图像检索以及个人相册管理等领域进行视觉美学评价重要的应用价值。

目前，针对图像美学评价任务主要任务有三种：美学分类、美学评分和美感分布。美学分类是把图像分成“好”和“坏”两类；美学评价就是给出图像的一个美学质量分数；美感分布是给出图像的美学分布直方图。但是这些研究方法均属于在大众化的图像美学评价方法，所谓大众化的图像美学评价是指大多数人认同的美学评估结果，通常通过多个人对同一图像进行综合审美评估得到。虽然这些方法取得了一定的进展，但是仍存在许多关键的问题需要突破。首先，传统的图像美学评价方法主要是利用传统的手工美学特征来对图像的美学分数进行建模，而图像美学评价涉及较高层次的图像内容理解，这些方法很难提取到比较有效的高层次语义特征，因此导致对图像的美学评价结果不够准确。其次，近年来深度学习方法在图像高层次语义特征提取方面的强大能力，促进了基于大规模数据驱动的图像美学评价方法的进一步发展。目前，多数图像美学评价方法主要集中在大众化的图像美学评估上，但是由于文化、教育、年龄和性别等的不同，个体对美的评判标准往往存在比较大的差异，因此面向个体用户的个性化图像美学评价更加符合实际情形。与此同时，在实际生活中难以获取用户个体对大量图像的美学评分数据，因此无法利用大规模数据训练的方式建立个性化的图像美学评价模型，从而导致目前针对个性化图像美学评价方法的研究进展缓慢。

2017年，美国罗格斯大学的Ren等人发布了一个针对个性化图像美学评价的数据集(FLICKR-AES)，首次提出了一种个性化图像美学评价方法，这种方法首先利用深度神经网络建立图像的大众化美学评价模型作为先验模型，利用图像美学属性和内容与个性化和大众化的美学差异的相关性通过利用支持向量机(SVR)建立个性化美学差异评价模型，最后利用大众化评价模型和个性化美学差异评价模型的结果进行求和最终得到个性化美学评价结果。然后其方法存在如下不足：(1)作为先验模型的大众化美学评价模型在训练时消除了个体之间的审美差异，难以获取有效的先验知识；(2)传统的基于支持向量机的学习方法存在难收敛和迁移能力不强的问题，很难快速从先验模型上迁移到新的个性化美学评价任务上。

综上所述，现有技术存在的问题是：

(1)作为先验模型的大众化美学评价模型在训练时消除了个体之间的审美差异，难以获取有效的先验知识。

(2)传统的基于支持向量机的学习方法存在难收敛和迁移能力不强的问题，很难快速从先验模型上迁移到新的个性化美学评价任务上。

解决上述技术问题的难度：