[发明专利]基于改进自监督特征学习的摄影图像美学风格分类方法

说明书

本发明公开了一种基于改进自监督特征学习的摄影图像美学风格分类方法，首先对AVA美学数据集进行预处理；然后建立改进自监督特征学习神经网络，用二分类的AVA美学数据集对改进自监督特征学习神经网络进行预训练；再提取出预训练完成的改进自监督特征学习神经网络的特征提取网络部分，并连接一个SoftMax分类器，建立分类网络模型；最后采用LSTM神经网络结构输出具体的数据增强策略，得到分类精度最佳的摄影图像美学分类模型。本发明采用改进自监督特征学习模型进行预训练，学习到更好的美学特征，从数据集中寻找最佳数据增强策略，得到最佳的摄影图像美学分类模型。

技术领域

本发明涉及一种摄影图像美学风格分类方法，特别涉及一个基于改进自监督特征学习的摄影图像美学风格分类方法。

背景技术

计算机视觉领域依靠大规模的有标注数据集取得了很大的成功，特别是卷积神经网络的应用，在图像物体识别领域取得了巨大的成功。但是在美学风格分类任务上也有了初步的尝试，但由于有标签的美学风格分类数据集较少。现有方法主要用有标签的大型图像识别数据集例如ImageNet做特征学习，再通过美学风格分类数据集对模型进行微调。然而ImageNet的标签不适用于美学风格分类任务的特征学习，因此模型分类效果较差。自监督学习是一种具有有监督形式的非监督学习方法，能从大规模无标注数据中挖掘自身的监督信息，并通过这种监督信息对网络进行训练，从而学习到对下游任务有价值的特征。因此，我们可以利用自监督学习，实现针对美学风格分类任务神经网络的定制化改造。

美学风格分类任务主要存在以下问题：有标签的美学风格分类数据集样本量较少，直接用于模型训练容易造成过拟合，导致模型泛化能力差；现有的大规模数据集不适用于美学风格分类任务的特征学习，直接在这些数据集上进行预训练，很难学习到对美学风格分类任务有价值的特征，进而影响模型分类的精度。

发明内容

针对上述问题，本发明提出了一种基于改进自监督特征学习的摄影图像美学风格分类方法。本发明的技术方案为：

一种基于改进自监督特征学习的摄影图像美学风格分类方法，步骤如下：

步骤1：对AVA美学数据集进行预处理。

步骤2：建立改进自监督特征学习神经网络。构建由特征提取网络、投影网络、改进自监督对比学习损失函数构成的神经网络模型。

步骤3：用二分类的AVA美学数据集对改进自监督特征学习神经网络进行预训练。

步骤4：提取出步骤3中预训练完成的改进自监督特征学习神经网络的特征提取网络部分，并连接一个SoftMax分类器，建立分类网络模型。

步骤5：摄影图像美学分类数据集是一个标注摄影属性的数据集，一共有14个摄影属性，采用LSTM神经网络结构输出具体的数据增强策略，并应用于摄影图像美学分类数据集的训练集部分，再训练步骤4中的分类网络模型，以该模型在摄影图像美学分类数据集的验证集中达到的分类精度作为奖励信号更新LSTM神经网络的参数，直到搜索到最佳的数据增强策略，同时得到分类精度最佳的摄影图像美学分类模型。

本发明的有益效果：

1.针对有标签的摄影图像美学分类数据集样本量较少的问题，采用改进自监督特征学习模型进行预训练，学习到更好的美学特征。

2.针对自监督特征学习在摄影图像美学风格分类上的数据增强问题，从数据集中寻找最佳数据增强策略，得到最佳的摄影图像美学分类模型。

附图说明

图1本发明方法实施例流程图。

具体实施方式

下面结合附图，对本发明的具体实施方案作进一步详细描述。

一种基于改进自监督特征学习的摄影图像美学风格分类方法，步骤如下：