《表1 基于深度卷积神经网络的图像美学评价方法归纳表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度卷积神经网络在图像美学评价的应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表1所示，对比了基于深度卷积神经网络的图像美学评价的方法。基于全局和局部共同感知的图像美学评价方法，以文献[18]为代表，其模型通过双列并行卷积神经网络模型提取图像的全局美学特征和局部美学特征，由于图像组成和图像平衡都能左右图像美学评价的结果，该方法能较为全面地提取图像美学特征，但该方法存在提取特征过多，易发生特征冗余和训练效率过低的缺陷；基于全局感知的图像美学评价方法，以文献[36]为代表，其通过受大脑启发的并行监督神经网络模型提取与美学相关的美学特征，该方法放弃了对局部美学特征的提取，因而无需进行局部美学区域的定位，简化了模型的设计，然而文献[18]带来的局限性问题仍未解决；基于局部感知的图像美学评价方法，以文献[49]为代表，其通过多路并行卷积神经网络模型提取图像局部美学特征，该方法以有针对性提取显著性局部美学区域为核心思想以使特征提取过程更具有针对性，但其缺点也尤为明显，该方法需要先对局部美学区域进行确定才能进行，这提高了模型的复杂性，倘若其定位算法选择不佳，难免会造成降低训练效率甚至于无法完成图像美学任务。以上三者都属于基于全局感知和局部感知的图像美学评价方法，因为提取的特征都存在于多数图像中，该方法具有普遍性，几乎适用于所有图像。基于个性化查询的图像美学评价方法，以文献[58]为代表，其通过建立反映目标图像美学特征的训练集并进行训练得到预测模型，该方法自制的训练集适合进行图像美学任务的展开，模型的训练过程更具针对性，但训练集并非预先建好的，该方法效率过低，而目标图像的差异性使得模型通用性低下，仅适用于美学特征具有普遍性可以建立数量可观的训练集的图像。基于手工特征提取与深度卷积神经网络结合的图像美学评价方法，以文献[60]为代表，其模型融合了通过手工提取和使用卷积神经网络提取的图像美学特征，特征的提取工作加入了手工提取的过程不仅使其更具针对性，而且提高了模型训练效率，但部分高级图像美学在手工提取过程中难以实现，仅适用于可以使用手工提取美学特征的图像。