使用多尺度卷积神经网络对艺术图像进行自适应分类

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 当前艺术图像分类方法的回忆力和准确性较低.
• 艺术图像的有效分类对于数字档案和分析至关重要.

研究的目的:

• 为了提高艺术图像分类的性能.
• 开发一种使用多尺度卷积神经网络 (CNN) 的新型适应性分类方法.

主要方法:

• 采用多尺度的Retinex算法与色彩恢复用于图像增强.
• 使用极端的像素比率用于图像质量评估和边缘检测用于特征提取.
• 构建了一个多尺度的CNN,具有扩展的卷积,并使用决策融合进行分类.

主要成果:

• 提出的方法显著提高了艺术图像分类的回忆率和精度.
• 实现了对各种艺术图像的可靠和准确的分类结果.

结论:

• 适应式多尺度CNN方法有效地解决了现有的艺术图像分类的局限性.
• 这种方法为准确可靠的艺术图像分类提供了强大的解决方案.