基于深度学习的图像艺术属性分类

陈小娥

(福建船政交通职业学院信息工程系, 福建 福州 350007)

随着互联网和数字技术的快速发展，网络上的图像资源日益多元化，数量也呈现出快速增长的态势，如何在海量的图片信息中，通过计算机快速地查找到某一类图片就成为一项非常具有挑战性的课题。

图像特征提取的准确度对图像分类起到至关重要的作用。先通过人工定义并提取图像的一些特征，如HOG或SIFT特征，然后将这些特征输入到设计的分类器中完成训练和分类。但人工提取的特征表述能力有限，导致分类效果有限。之后，研究人员一直寻找区分度更强的特征，如Berg等[1]提出了一种能够自动发现最具区分度信息的POOF特征，改进了分类效果；Yang[2]等人和Yao[3]等人针对局部区域的算法进行了研究，除了特征之外，尝试使用模板匹配的方法来减少滑动窗口的计算代价。虽然提出的一些新的图像特征，使得分类效果有了一定提升，但毕竟描述能力有限。近年来，深度学习[4-5]在计算机视觉领域取得了巨大的成功，引起了越来越多的关注。由于深度学习可以自主进行特征学习和识别，具有比人工特征更强的描述能力，因此很多学者将深度学习应用到图像分类中，分类的正确率有了明显的提高。Gong等[6]人抽取全连接层的特征，与VLAD编码相结合，提出的MOP-CNN对特征进行了有效改进。石祥滨[7]等人提出了对称神经网络的图像分类，采用一种结合不同深度神经网络的方法，提高了网络泛化能力。

之前图像分类的研究主要侧重根据图像的主题、内容或场景属性等进行分类，而基于不同艺术风格(指图像不同的创作方法)属性的图像分类算法研究不多。……