A-Lamp：用于照片美学评估的自适应布局感知多块深度卷积神经网络
计算机视觉与模式识别
2017-04-04 v1
摘要
深度卷积神经网络(CNN)近期已被证明在美学评估中产生有前景的结果。然而，这些深度CNN方法的性能常受限于神经网络仅接受固定尺寸输入的约束。为满足此要求，输入图像需通过裁剪、扭曲或填充进行变换，这往往改变图像构图、降低图像分辨率或导致图像畸变。因此，由于潜在精细细节和整体图像布局的丢失，原始图像的美学受损。然而，此类精细细节和整体图像布局对于评估图像美学至关重要。本文中，我们提出一种用于照片美学评估的自适应布局感知多块卷积神经网络(A-Lamp CNN)架构。该新颖方案能够接受任意尺寸图像，并同时从精细细节和整体图像布局中学习。为在这些混合输入上实现训练，我们通过开发专用的双子网络神经网络结构（即多块子网络和布局感知子网络）扩展了该方法。我们进一步构建聚合层以有效结合来自这两个子网络的混合特征。在大规模美学评估基准(AVA)上的大量实验证明了相对于照片美学评估中最先进方法的显著性能提升。
引用
@article{arxiv.1704.00248,
title = {A-Lamp: Adaptive Layout-Aware Multi-Patch Deep Convolutional Neural Network for Photo Aesthetic Assessment},
author = {Shuang Ma and Jing Liu and Chang Wen Chen},
journal= {arXiv preprint arXiv:1704.00248},
year = {2017}
}