基于深度卷积神经网络的图像美学评价

《基于深度卷积神经网络的图像美学评价》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、工程硕士学位论文基于深度卷积神经网络的图像美学评价作者姓名李福娣工程领域电子与通信工程校内指导教师郭礼华副教授校外指导教师林奕琳高级工程师所在学院电子与信息学院论文提交日期2015年12月ImageAestheticEvaluationmethodBasedonConvolutionalNeuralnetworksADissertationSubmittedfortheDegreeofMasterCandidate：LiFuDiSupervisor：Prof.GuoLihuaSouthChinaUniversityofTechnologyGuangzhou,C

2、hina分类号：TP391学校代号：10561学号：201321009561华南理工大学硕士学位论文基于深度卷积神经网络的图像美学评价作者姓名：李福娣指导教师姓名、职称：郭礼华、副教授申请学位级别：工程硕士工程领域名称：电子与信息工程论文形式：ꇶ产品研发ꇶ工程设计ꇶ应用研究ꇶ工程/项目管理ꇶ调研报告研究方向：图像理解论文提交日期：2015年12月28日论文答辩日期：2016年3月19日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：胡永健委员：金连文倪江群黄茜吕益民摘要最近几十年,随着数码相机和网络的飞速发展，网络上的图片数量与日俱增。图像

3、作为一种重要的信息传输媒介，它的质量也逐渐得到了人们的重视。因此，图像美学质量评价逐渐发展为了一个研究领域，并在图像检索领域、图像分享以及个人相册管理领域等得到了应用。传统的图像美学评价方法都是基于原始的图像数据来设计特征，并将提取的特征输入分类器训练分类模型。虽然传统的方法已经取得了比较好的分类性能，但传统方法设计出的特征都是针对特定的数据库设计的，如何设计出能广泛适用于多种数据库的特征却是一个难点。基于原始数据进行特征学习的深度学习方法的优势凸显而出，所以，本文采用深度学习方法自动学习特征，并应用到图像美学评价系统中。本文采用深度学习中的深度卷积神经网络结

4、构（DeepConvolutionNeuralNetwork,DCNN）进行特征学习，为了获得较好的分类性能，本文在传统的DCNN网络架构上进行改进，提出了三种DCNN结构：（1）改进型的深度卷积神经网络结构（ImprovedDCNNstructure,I-DCNN）：该网络结构是在传统的单个DCNN网络结构的基础上，对网络的层数、滤波器数目进行改进后得到的DCNN网络结构；（2）网络并行的深度卷积神经网络结构（Network-ParalleledDCNNstructure,NP-DCNN）：此结构的主要目的是学到更多不同深度的特征，并在一定程度上解决卷积神经

5、网络的过拟合和欠拟合问题；（3）网络和数据并行的深度卷积神经网络结构(Network-ParalleledandData-ParalleledDCNNstructure,NP-DP-DCNN)：此结构在第二种结构的基础上，将传统方法中图像美学评价特征作为数据输入的图层，以此提升系统分类性能。实验表明，本文提出的三种基于深度卷积神经网络的结构在公开的两个美学评价数据库中都取得了比传统的特征提取方法更好的分类性能。关键词：图像美学评价；深度学习；卷积神经网络；并行卷积神经网络IABSTRACTInrecentdecades,withtherapiddevelopm

6、entofdigitalcamerasandnetworks,vastamountsofimagesaregrowingontheinternet.Beinganimportantmediumofinformationtransmission,imageaestheticqualitygraduallygainedmoreandmoreattention.Therefore,theimageaestheticqualityevaluationgraduallydevelopedintoaresearchtopic,andhadbeenappliedinmany

7、otherimportantareas,suchasimageretrieval,imagesharingandpersonalphotoalbummanagement.Traditionalimageaestheticevaluationmethodsextracteddiscriminatefeaturesfromtherawdataofdatasets,andusedtheseeffectivefeaturestotrainaclassificationmodel.Thesetraditionalmethodshadachievedrelativelyg

8、oodclassificationpe