[发明专利]基于深度学习的绘画情感分析方法

摘要

本发明提供的基于深度学习的绘画情感分析方法包括：构建绘画图像数据集；预先训练好卷积神经网络VGG16模型，采用迁移学习方法，使用深度学习库MXNet作为实验框架，将模型最后一个包含1000个神经元的全连接层替换为2个神经元，以输出积极的情绪和消极的情绪；采用5折交叉验证将数据集分为训练集和验证集，使用批量随机梯度下降的方式训练，批量设置为64，采用5次实验的均值作为模型的最终结果；对构建的绘画图像数据集进行扩充；基于扩充的绘画图像数据集，对卷积神经网络VGG16模型进行再次训练；利用训练好的卷积神经网络VGG16模型对绘画图像进行情感分析，有效解决了数据集不是足够大时可能出现的过拟合的问题。

主权项

1.一种基于深度学习的绘画情感分析方法，其特征在于，包括：S1、构建绘画图像数据集：采用公共数据集和自建数据集构建绘画图像数据集，构建的绘画图像数据集中包含非绘画图像、绘画图像、积极情绪的图像和消极情绪的图像；S2、预先训练好卷积神经网络VGG16模型，采用迁移学习方法，使用深度学习库MXNet作为实验框架，将模型最后一个包含1000个神经元的全连接层替换为2个神经元，以输出积极的情绪和消极的情绪；除最后一层外，全部参数保持不变，替换的最后一层网络权重初始化为[‑0.07，0.07]的均匀分布，偏置则全部初始化为0，初始学习率设置为0.001，每10轮缩小10倍，采用5折交叉验证将数据集分为训练集和验证集，使用批量随机梯度下降的方式训练，批量设置为64，采用5次实验的均值作为模型的最终结果；S3、对构建的绘画图像数据集进行扩充：采用过采样方式对构建的绘画图像数据集中的图片进行图片增广以扩充数据，随机裁剪但保留原图片至少70％区域，左右翻转，配合增加或减小最大50％亮度、饱和度的变化进行数据扩充；S4、基于扩充的绘画图像数据集，对卷积神经网络VGG16模型进行再次训练；S5、利用训练好的卷积神经网络VGG16模型对绘画图像进行情感分析。