基于多层属性指导的自适应多扩展卷积网络用于图像美学评估

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 图像美学评估 (IAA) 对研究和应用至关重要.
• 现有的IAA方法忽视了层次的属性-特征交互,并在预处理过程中遭受比例扭曲,失去美学信息.

研究的目的:

• 提出一个新的网络,MAADN,解决IAA的局限性.
• 为了利用多层次的属性特征来指导审美评估.
• 通过自适应扩展卷积来减少图像预处理的负面影响.

主要方法:

• 开发了一个双分支架构:一个用于多层次的属性特征提取,另一个用于属性引导的美学特征学习.
• 引入了使用视觉注意力的基于注意力的属性引导美学模块 (AGAM).
• 设计了一个自适应多扩展速率卷积模块 (AMDM),用于扩展卷积特征的自适应融合.

主要成果:

• 拟议的MAADN模型显著优于当前最先进的IAA方法.
• 实验结果验证了双分支架构和自适应模块的有效性.
• 视觉分析证实MAADN精确地定位了美学关键区域.

结论:

• MAADN有效地解决了IAA中的等级交互和预处理扭曲.
• 拟议的模块的适应性增强了灵活性和性能.
• MAADN为图像美学评估提供了一个强大而准确的解决方案.