通过累积Jensen-Shannon散度预测美学分数分布
计算机视觉与模式识别
2017-11-22 v2
摘要
美学质量预测是计算机视觉界的一项挑战性任务，因为其与语义内容和摄影技术存在复杂相互作用。近期基于深度学习的强大美学质量评估研究通常使用二值高-低标签或数值分数来表示美学质量。然而标量表示不能很好地描述人类美学感知的潜在多样性。在本工作中，我们提出使用深度卷积神经网络(DCNN)预测美学分数分布（即序数基本人类评分的分数分布向量）。旨在最小化预测标量数字或向量与真值之间差异的传统DCNN不能直接用于序数基本评分分布。因此，提出了一种基于累积分布与詹森-香农散度(Jensen-Shannon divergence)的CNN（CJS-CNN）来预测人类评分的美学分数分布，并带有一种基于分数分布峰度的新可靠性敏感学习方法，其消除了对原始完整人类评分数据（无归一化）的要求。在大规模美学数据集上的实验结果证明了我们提出的CJS-CNN在该任务中的有效性。
引用
@article{arxiv.1708.07089,
title = {Predicting Aesthetic Score Distribution through Cumulative Jensen-Shannon Divergence},
author = {Xin Jin and Le Wu and Xiaodong Li and Siyu Chen and Siwei Peng and Jingying Chi and Shiming Ge and Chenggen Song and Geng Zhao},
journal= {arXiv preprint arXiv:1708.07089},
year = {2017}
}
备注
AAAI Conference on Artificial Intelligence (AAAI), New Orleans, Louisiana, USA. 2-7 Feb. 2018