《表2 AVA数据集下不同用户专属图片平均精度与文献[9]的对比》
本文在表2展示了选择不同用户专属图片所学习的模型的预测平均精度(average precision)以及与目前先进水平[9]的对比。USAR即user-specific aesthetic ranking,USAR-5表示选择5张用户专属图片,下同。由于AVA数据集没有类别,用户选择的图片多为多种类的混合图片,故该实验可视为加入了用户主观偏好的多种类图片高低质量分类任务。即用户喜欢的即认为高质量,用户不喜欢的照片即认为低质量。由表2可知,与CUHKPQ数据集的结果类似,选择5张用户专属图片所预测的精度(70.15%)最为准确,随后是15张(58.58%),最后为10张(58.26%)。因为AVA数据集并没有为图片分类,只是由随机的阅览者进行打分。对于用户来讲,在没有基准的情况下,对不同类别的图片选取个人偏好的图片是模糊的。这也是下一步需要做的工作。尽管在同一类中进行用户偏好的学习有一定价值,但用户主观多样的喜好使得跨类别的偏好学习更符合实际情况。表2中Lee等人[9]采用DCNN的特征编码进行图像高低质量的分类,取得了较好的平均精度(77.03%)。尽管本文较文献[9]平均精度偏低,但仍取得了70.15%的较高精度,同时也将用户的偏好考虑在内,这是前文工作所没有的。
图表编号 | XD0035703000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 苏士美、王猛、许永波 |
绘制单位 | 郑州大学电气工程学院、郑州大学电气工程学院、郑州大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |