基于元迁移学习的个性图像美学评价方法

1.本发明新型涉及图像美学评价技术领域，具体为基于元迁移学习的个性图像美学评价方法。


背景技术：

2.图像美学评价由于考虑到高度的主观性，越来越受到大众的关注，近年来的发展更是达到了突飞猛进的地步。图像美学评价的广泛应用，使其成为一个重要的研究方向，比如在图像推荐、个性化相册管理、图像检索领域都取得了不错的研究进展。早期的图像美学评价工作依赖于手工提取特征后学习传统机器学习模型进行，打分，颜色、纹理特征，低级视觉特征、高层美学特征和区域特征训练，色彩调和、模糊、边缘、显著性特征均可以有效的对图像美学进行描述，取得了不错的效果，但仍存在一定的误差。随着深度学习技术的发展，深度卷积神经网络在解决计算机视觉问题上有着出色的表现，可以从数据中有效地学习图像的属性和高级语义，迄今为止已经提出了许多成功的基于深度学习的方法来学习通用的美学分类器。
3.现有的评价方法采用的resnet网络参数数量较多，计算较为复杂。


技术实现要素：

4.针对上述情况，为弥补上述现有缺陷，本方案提供了基于元迁移学习的个性图像美学评价方法。
5.本发明新型采取的技术方案如下：基于元迁移学习的个性图像美学评价方法，至少包括以下步骤：
6.s1：获取大量用户图像美学打分的数据集；
7.s2：将数据集(flickr－aes、aadb、real－cur数据集)，按照用户划分为训练集和测试集两部分，分别用于元训练和元测试阶段；
8.s3：元训练阶段，每个用户(即每个用户打分的所有图像)被视为一个任务，每一个任务又被划分为支持集和查询集两部分，利用主干美学特征提取网络架构为densenet的双层梯度优化的元学习方法实现从支持集到查询集的参数更新，通过densenet网络的密集连接加强特征复用，从而获得个性化图像美学先验模型；
9.s4：元测试阶段，一个目标用户的少量数据对从元训练阶段所获得的先验模型进行微调，从而获得个性化图像美学模型；
10.s5：得到了最终的模型，根据每个用户的个性化打分生成了具有针对的图像。
11.在s1中获取方法：每幅图像要获得多位用户的评价，从而获得每幅图像的美学评价结果，然后筛选出每位用户进行对图像评分结果，组成图像美学评价数据集；
12.在s2中数据集(flickr－aes)用于获取小数据集，数据集(aadb、real－cur数据集)用于获取较大数据集；
13.在s3中采用的densenet网络，减少了网络参数数量以及计算量。
14.采用上述结构本发明新型取得的有益效果如下：本方案基于元迁移学习的个性图像美学评价方法，通过数据集(flickr－aes、aadb、real－cur数据集)的设置，实现了根据数据集的大小进行收集，通过densenet网络的设置，减少了网络参数数量和计算量，以及将每一层与前面层进行密集连接，使信息的流动量达到最大。
附图说明
15.附图用来提供对本发明新型的进一步理解，并且构成说明书的一部分，与本发明新型的实施例一起用于解释本发明新型，并不构成对本发明新型的限制。在附图中：
16.图1为本发明新型提供的基于元迁移学习的个性图像美学评价方法的流程图。
具体实施方式
17.下面将结合本发明新型实施例中的附图，对本发明新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明新型一部分实施例，而不是全部的实施例；基于本发明新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明新型保护的范围。
18.如图1所示，发明新型采取的技术方案如下：基于元迁移学习的个性图像美学评价方法，至少包括以下步骤：
19.s1：获取大量用户图像美学打分的数据集；
20.s2：将数据集(flickr－aes、aadb、real－cur数据集)，按照用户划分为训练集和测试集两部分，分别用于元训练和元测试阶段；
21.s3：元训练阶段，每个用户(即每个用户打分的所有图像)被视为一个任务，每一个任务又被划分为支持集和查询集两部分，利用主干美学特征提取网络架构为densenet的双层梯度优化的元学习方法实现从支持集到查询集的参数更新，通过densenet网络的密集连接加强特征复用，从而获得个性化图像美学先验模型；
22.s4：元测试阶段，一个目标用户的少量数据对从元训练阶段所获得的先验模型进行微调，从而获得个性化图像美学模型；
23.s5：得到了最终的模型，根据每个用户的个性化打分生成了具有针对的图像。
24.在s1中获取方法：每幅图像要获得多位用户的评价，从而获得每幅图像的美学评价结果，然后筛选出每位用户进行对图像评分结果，组成图像美学评价数据集；
25.在s2中数据集(flickr－aes)用于获取小数据集，数据集(aadb、real－cur数据集)用于获取较大数据集；
26.在s3中采用的densenet网络，减少了网络参数数量以及计算量。
27.要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物料或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物料或者设备所固有的要素。
28.尽管已经示出和描述了本发明新型的实施例，对于本领域的普通技术人员而言，
可以理解在不脱离本发明新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明新型的范围由所附权利要求及其等同物限定。


技术特征：
1.基于元迁移学习的个性图像美学评价方法，其特征在于：至少包括以下步骤：s1：获取大量用户图像美学打分的数据集；s2：将数据集(flickr－aes、aadb、real－cur数据集)，按照用户划分为训练集和测试集两部分，分别用于元训练和元测试阶段；s3：元训练阶段，每个用户(即每个用户打分的所有图像)被视为一个任务，每一个任务又被划分为支持集和查询集两部分，利用主干美学特征提取网络架构为densenet的双层梯度优化的元学习方法实现从支持集到查询集的参数更新，通过densenet网络的密集连接加强特征复用，从而获得个性化图像美学先验模型；s4：元测试阶段，一个目标用户的少量数据对从元训练阶段所获得的先验模型进行微调，从而获得个性化图像美学模型；s5：得到了最终的模型，根据每个用户的个性化打分生成了具有针对的图像。在s1中获取方法：每幅图像要获得多位用户的评价，从而获得每幅图像的美学评价结果，然后筛选出每位用户进行对图像评分结果，组成图像美学评价数据集；在s2中数据集(flickr－aes)用于获取小数据集，数据集(aadb、real－cur数据集)用于获取较大数据集；在s3中采用的densenet网络，减少了网络参数数量以及计算量。

技术总结
本发明公开了基于元迁移学习的个性图像美学评价方法，包括：获取大量用户图像美学打分的数据集；将数据集，按照用户划分为训练集和测试集两部分，分别用于元训练和元测试阶段；元训练阶段，每个用户被视为一个任务，每一个任务又被划分为支持集和查询集两部分，利用主干美学特征提取网络架构为DenseNet的双层梯度优化的元学习方法实现从支持集到查询集的参数更新；元测试阶段，一个目标用户的少量数据对从元训练阶段所获得的先验模型进行微调，从而获得个性化图像美学模型；得到了最终的模型，根据每个用户的个性化打分生成了具有针对的图像。本发明新型涉及图像美学评价技术领域，具体为基于元迁移学习的个性图像美学评价方法。价方法。价方法。


技术研发人员：吴圆 洪文浩 孙恺璞 刘鹏 李慧 鲁新宇
受保护的技术使用者：安徽大学
技术研发日：2023.03.20
技术公布日：2023/10/7