基于多级空间池化特征的有效美学预测
计算机视觉与模式识别
2019-04-03 v1
摘要
我们提出了一种有效的深度学习方法来评估美学质量，该方法依赖于一种新型预训练特征，并将其应用于当前最大的美学数据库 AVA 数据集。先前的方法由于在训练过程中对原始图像进行小裁剪、下采样或变形而丢失了部分信息，而我们提出了第一种高效支持全分辨率图像作为输入、且可在可变输入尺寸上训练的方法。这使我们能够显著超越现有最优水平，将真实均值意见得分（MOS）的 Spearman 秩相关系数（SRCC）从已有最佳报告的 0.612 提升至 0.756。为实现这一性能，我们从预训练的 InceptionResNet-v2 网络的所有卷积块中提取多级空间池化（MLSP）特征，并在这些新特征上训练一个定制的浅层卷积神经网络（CNN）架构。
引用
@article{arxiv.1904.01382,
title = {Effective Aesthetics Prediction with Multi-level Spatially Pooled Features},
author = {Vlad Hosu and Bastian Goldlucke and Dietmar Saupe},
journal= {arXiv preprint arXiv:1904.01382},
year = {2019}
}
备注
To appear in CVPR 2019