利用深度神经网络与级联回归的视觉美学增强自动图像裁剪
计算机视觉与模式识别
2018-01-16 v2
摘要
尽管近期取得进展，计算视觉美学仍具挑战性。图像裁剪，即去除不需要的场景区域，是提升图像美学质量的重要步骤。然而，评估裁剪是否带来美观结果具有挑战性，因为这种评估通常是主观的。本文中，我们提出一种新颖的级联裁剪回归（CCR）方法，通过从专业摄影师处学习知识来执行图像裁剪。所提出的 CCR 方法提高了直接使用 random-ferns 回归器的级联方法的收敛速度。此外，提出并采用了一种两步学习策略以解决缺乏标注裁剪数据的问题。具体而言，首先在大尺度视觉美学数据集上训练一个深度卷积神经网络（CNN）分类器。然后设计该深度 CNN 模型从多个图像裁剪数据集中提取特征，并由所提出的 CCR 方法预测裁剪边界框。在公开图像裁剪数据集上的实验结果表明，该方法显著优于几种最先进的图像裁剪方法。
引用
@article{arxiv.1712.09048,
title = {Automatic Image Cropping for Visual Aesthetic Enhancement Using Deep Neural Networks and Cascaded Regression},
author = {Guanjun Guo and Hanzi Wang and Chunhua Shen and Yan Yan and Hong-Yuan Mark Liao},
journal= {arXiv preprint arXiv:1712.09048},
year = {2018}
}
备注
13 pages, 13 figures, To appear in IEEE Transactions on Multimedia, 2017