CN111862061A - 图片美学质量的评估方法、***、设备和介质 - Google Patents
图片美学质量的评估方法、***、设备和介质 Download PDFInfo
- Publication number
- CN111862061A CN111862061A CN202010730785.3A CN202010730785A CN111862061A CN 111862061 A CN111862061 A CN 111862061A CN 202010730785 A CN202010730785 A CN 202010730785A CN 111862061 A CN111862061 A CN 111862061A
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- model
- aesthetic quality
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001303 quality assessment method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了图片美学质量的评估方法、***、设备和介质,其中图片美学质量的评估方法包括以下步骤:整合并标注图片数据集;根据图片数据集提取图片的深度学习特征;提取图片的压字特征和拼图特征;对图片进行语义分割,根据语义分割的结果提取质心特征和角度特征;获取图片的色彩饱和度;将深度学习特征、压字特征、拼图特征、质心特征、角度特征和色彩饱和度作为训练特征进行训练,以得到预测模型;根据预测模型对图片的美感质量进行评估。本发明提高了美学质量评估准确率。
Description
技术领域
本发明属于图片的美学质量评估技术领域,尤其涉及一种图片美学质量的评估方法、***、设备和介质。
背景技术
随着时代的发展,科技的进步,拍照已经是普通人都可以随时随地都能做到的一件事情,而网络时代的发展也使得照片能够以数字化的形式在世界的各个角落传播。那么选出一张好看的照片,筛掉一部分不好看的照片是一个的应用方向,尤其是在app(应用程序)的旅拍界面当中。通过选择好看的图片筛掉不好看的图片,并将好看的图片置于首页,就可以向浏览者展示一些能够吸引人的美景或者美食,进而吸引浏览者前往这些地方消费。推送图片正确性以及筛选图片的效率决定了app的工作效率。
其实图片美感度这一项研究在计算机视觉或者机器学习领域有一个通俗的说法,即计算机美学。让计算机来对图片进行审美,听起来这是一个比较主观的事情,让计算机来做这样一件人类都有些不太确定的事情看起来是不太现实的,但是现实当中确实有很多课题对这方面进行了研究,并且有着不错的成果。
计算机美学即计算机对图片进行审美,可以是输出一个分数,也可以是对图片分好看或者不好看。还有另外一个课题叫做图片质量评估与计算机审美也是相关的,广义上来说图片质量评估也是计算机美学的一部分。图片质量评估主要对图片的噪声、饱和度等因素进行评估,计算机美学评分的话则跟数据集的已有评分进行比较。摄影当中讲究对称和黄金分割定律,黄金分割定律即在摄影的时候考虑将图片中的物***置置于黄金分割点,这样拍出来的照片符合人们的审美。2010年Pere Obrador(人名)的研究通过提取图片的质心等相关的特征并搭建模型,最高准确率只能达到70%左右。随着卷积神经网络大行其道之后,美学评分开始渐渐突破瓶颈。2017年由布法罗大学和天津大学联合研究的一项课题,他们发表的一篇名为A-Lamp(文章名)的文章中采取随机扣取图片中的patch(斑点)的方法提取特征,使用卷积网络VGG(一种模型)搭建模型,最终可达到的最高准确率有81%左右。2018年Hossein Talebi(人名)搭建了一个叫做NIMA(神经图像评估)的模型,该模型一反常态而从数据集入手,选择AVA(一种数据集)数据集,该数据集中的每张图片都被分为10个等级分数,并由250位以上的标注员进行打分,每个人可以选择1到10分中的合适的分数,并且每张图片的分数最终都可以用一个柱状图来表示,他们在损失函数上进行改进,模型搭建上面依然采用卷积神经网络,最终最高准确率可以达到82%左右。
发明内容
本发明要解决的技术问题是为了克服现有技术中图片的美学质量评估准确率较低的缺陷,提供一种图片美学质量的评估方法、***、设备和介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种图片美学质量的评估方法,包括以下步骤:
整合并标注图片数据集;
根据图片数据集提取图片的深度学习特征;
提取图片的压字特征和拼图特征;
对图片进行语义分割,根据语义分割的结果提取质心特征和角度特征;
获取图片的色彩饱和度;
将深度学习特征、压字特征、拼图特征、质心特征、角度特征和色彩饱和度作为训练特征进行训练,以得到预测模型;
根据预测模型对图片的美感质量进行评估。
较佳地,根据图片数据集提取图片的深度学习特征的步骤包括:
基于Resnet(一种模型)模型、xception(一种模型)模型、VGG模型提取深度学习特征;
提取图片的压字特征和拼图特征的步骤包括:
基于yolo(一种模型)模型和resnet(一种模型)模型提取压字和拼图特征。
较佳地,对图片进行语义分割包括:
基于pspnet(一种模型)模型对图片进行语义分割。
较佳地,深度学习特征还包括基于NIMA(一种模型)模型提取的图片的预测分数均值和偏差。
本发明还提供一种图片美学质量的评估***,包括数据集生成单元、特征提取单元、训练单元、评估单元;
数据集生成单元用于整合并标注图片数据集;
特征提取单元用于根据图片数据集提取图片的深度学习特征;
特征提取单元还用于提取图片的压字特征和拼图特征;
特征提取单元还用于对图片进行语义分割,根据语义分割的结果提取质心特征和角度特征;
特征提取单元还用于获取图片的色彩饱和度;
训练单元用于将深度学习特征、压字特征、拼图特征、质心特征、角度特征和色彩饱和度作为训练特征进行训练,以得到预测模型;
评估单元用于根据预测模型对图片的美感质量进行评估。
较佳地,特征提取单元还用于基于Resnet模型、xception模型、VGG模型提取深度学习特征;
特征提取单元还用于基于yolo模型和resnet模型提取压字和拼图特征。
较佳地,特征提取单元还用于基于pspnet模型对图片进行语义分割。
较佳地,深度学习特征还包括基于NIMA模型提取的图片的预测分数均值和偏差。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的图片美学质量的评估方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的图片美学质量的评估方法的步骤。
本发明的积极进步效果在于:本发明提高了美学质量评估准确率。
附图说明
图1为本发明的实施例1的图片美学质量的评估方法的流程图。
图2为本发明的实施例2的图片美学质量的评估***的结构示意图。
图3为本发明的实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种图片美学质量的评估方法。参照图1,该图片美学质量的评估方法包括以下步骤:
步骤S101、整合并标注图片数据集。
步骤S102、根据图片数据集提取图片的深度学习特征。
步骤S103、提取压字特征和拼图特征。
步骤S104、对图片进行语义分割,根据语义分割的结果提取质心特征和角度特征。
步骤S105、获取图片的色彩饱和度。
步骤S106、将深度学习特征、压字特征、拼图特征、质心特征、角度特征和色彩饱和度作为训练特征进行训练,以得到预测模型。
步骤S107、根据预测模型对图片的美感质量进行评估。
具体实施时,在步骤S101中,整合并标注图片数据集。在一种可选的实施方式中,图片数据集来自计算机网络。图片数据集所包含的图片为旅拍图片。
作为一种可选的实施方式,在步骤S102中,使用Resnet、xception、VGG等模型提取深度学习特征。
作为一种可选的实施方式,在步骤S103中,使用yolo和resnet提取压字和拼图特征。
作为一种可选的实施方式,在步骤S104中,使用pspnet进行语义分割,使用语义分割的结果使用数学公式提取质心和角度等特征。利用提取出来的质心位置计算距离黄金分割点的距离,距离小的说明符合美学的黄金分割定律认为是质量较高的图片,比较质心的重要度并删除重要度较低的特征和空值较多的特征以简化模型训练过程。
在一种可选的实施方式中,直接对原始图片进行处理,使用数学公式计算得到图片的色彩饱和度,认为色彩饱和度高的图片质量较高。
在一种可选的实施方式中,深度学习特征还包括基于NIMA模型提取的图片的预测分数均值和偏差。NIMA是近几年来评估图片质量较高的深度学习模型。
在步骤S106中,使用Resnet训练特征并进行特征筛选,得到最优预测模型,在进行多次调参得到最优参数。具体实施时,采用finetune(微调)的方式提取预训练模型的倒数第二层特征。测试模型效果,选择最优模型为预测模型。
在步骤S107中,根据预测模型对图片的美感质量进行评估。
现有技术中,旅拍的图片与开源的图片数据集(例如AVA)中图片的类型及质量等有很大的差异,直接对开源的数据集构建的模型进行迁移,效果并不好。本实施例的图片美学质量的评估方法,对旅拍图片进行人工标注,重新训练模型,并将开源数据集训练的模型结果进行迁移,作为训练模型的特征。
现有技术中,离线提取深度学习图片特征的时候,人工构造的数据集量较小,不能较好的提供有效的特征。本实施例的图片美学质量的评估方法采用finetune的方式提取预训练模型的倒数第二层特征。
现有技术中,图片中的物体颜色各异,直接利用像素计算物体的质心难以实现。本实施例的图片美学质量的评估方法调用PSP net模型进行语义分割,使图片中的物体颜色统一,计算物体质心位置和角度,作为训练模型的特征。
现有技术中,旅拍图片中存在部分压字、拼图等类别的图片,需要进行特殊处理。本实施例的图片美学质量的评估方法建立压字、拼图模型,对这些类别图片进行判别,得到判别分,作为训练模型的特征。
本实施例的图片美学质量的评估方法结合精确提取传统特征和深度学习卷积神经网络两个重点,采用数据库进行模型训练,力求突破现存的瓶颈,提升模型的分类预测准确率。本实施例的图片美学质量的评估方法的准确率最高可达92.4%。
实施例2
本实施例提供一种图片美学质量的评估***。参照图2,该图片美学质量的评估***包括数据集生成单元201、特征提取单元202、训练单元203、评估单元204。
数据集生成单元201用于整合并标注图片数据集;
特征提取单元202用于根据图片数据集提取图片的深度学习特征;
特征提取单元202还用于提取图片的压字特征和拼图特征;
特征提取单元202还用于对图片进行语义分割,根据语义分割的结果提取质心特征和角度特征;
特征提取单元202还用于获取图片的色彩饱和度;
训练单元203用于将深度学习特征、压字特征、拼图特征、质心特征、角度特征和色彩饱和度作为训练特征进行训练,以得到预测模型;
评估单元204用于根据预测模型对图片的美感质量进行评估。
具体实施时,数据集生成单元201整合并标注图片数据集。在一种可选的实施方式中,图片数据集来自计算机网络。图片数据集所包含的图片为旅拍图片。
作为一种可选的实施方式,特征提取单元202202基于Resnet、xception、VGG等模型提取深度学习特征。
作为一种可选的实施方式,特征提取单元202202基于yolo和resnet提取压字和拼图特征。
作为一种可选的实施方式,特征提取单元202202基于pspnet进行语义分割,使用语义分割的结果使用数学公式提取质心和角度等特征。利用提取出来的质心位置计算距离黄金分割点的距离,距离小的说明符合美学的黄金分割定律认为是质量较高的图片,比较质心的重要度并删除重要度较低的特征和空值较多的特征以简化模型训练过程。
在一种可选的实施方式中,直接对原始图片进行处理,使用数学公式计算得到图片的色彩饱和度,认为色彩饱和度高的图片质量较高。
在一种可选的实施方式中,深度学习特征还包括基于NIMA模型提取的图片的预测分数均值和偏差。NIMA是近几年来评估图片质量较高的深度学习模型。
训练单元203使用Resnet训练特征并进行特征筛选,得到最优预测模型,在进行多次调参得到最优参数。具体实施时,采用finetune(微调)的方式提取预训练模型的倒数第二层特征。测试模型效果,选择最优模型为预测模型。
评估单元204根据预测模型对图片的美感质量进行评估。
现有技术中,旅拍的图片与开源的图片数据集(例如AVA)中图片的类型及质量等有很大的差异,直接对开源的数据集构建的模型进行迁移,效果并不好。本实施例的图片美学质量的评估方法,对旅拍图片进行人工标注,重新训练模型,并将开源数据集训练的模型结果进行迁移,作为训练模型的特征。
现有技术中,离线提取深度学习图片特征的时候,人工构造的数据集量较小,不能较好的提供有效的特征。本实施例的图片美学质量的评估方法采用finetune的方式提取预训练模型的倒数第二层特征。
现有技术中,图片中的物体颜色各异,直接利用像素计算物体的质心难以实现。本实施例的图片美学质量的评估方法调用PSP net模型进行语义分割,使图片中的物体颜色统一,计算物体质心位置和角度,作为训练模型的特征。
现有技术中,旅拍图片中存在部分压字、拼图等类别的图片,需要进行特殊处理。本实施例的图片美学质量的评估方法建立压字、拼图模型,对这些类别图片进行判别,得到判别分,作为训练模型的特征。
本实施例的图片美学质量的评估***结合精确提取传统特征和深度学习卷积神经网络两个重点,采用数据库进行模型训练,力求突破现存的瓶颈,提升模型的分类预测准确率。本实施例的图片美学质量的评估***的准确率最高可达92.4%。
实施例3
图3为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1的图片美学质量的评估方法。图3显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同***组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1的图片美学质量的评估方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1的图片美学质量的评估方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1的图片美学质量的评估方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种图片美学质量的评估方法,其特征在于,包括以下步骤:
整合并标注图片数据集;
根据所述图片数据集提取图片的深度学习特征;
提取所述图片的压字特征和拼图特征;
对所述图片进行语义分割,根据语义分割的结果提取质心特征和角度特征;
获取所述图片的色彩饱和度;
将所述深度学习特征、所述压字特征、所述拼图特征、所述质心特征、所述角度特征和所述色彩饱和度作为训练特征进行训练,以得到预测模型;
根据所述预测模型对所述图片的美感质量进行评估。
2.如权利要求1所述的图片美学质量的评估方法,其特征在于,根据所述图片数据集提取图片的深度学习特征的步骤包括:
基于Resnet模型、xception模型、VGG模型提取所述深度学习特征;
提取所述图片的压字特征和拼图特征的步骤包括:
基于yolo模型和resnet模型提取所述压字和所述拼图特征。
3.如权利要求1所述的图片美学质量的评估方法,其特征在于,对所述图片进行语义分割包括:
基于pspnet模型对所述图片进行语义分割。
4.如权利要求1所述的图片美学质量的评估方法,其特征在于,所述深度学习特征还包括基于NIMA模型提取的所述图片的预测分数均值和偏差。
5.一种图片美学质量的评估***,其特征在于,包括数据集生成单元、特征提取单元、训练单元、评估单元;
所述数据集生成单元用于整合并标注图片数据集;
所述特征提取单元用于根据所述图片数据集提取图片的深度学习特征;
所述特征提取单元还用于提取所述图片的压字特征和拼图特征;
所述特征提取单元还用于对所述图片进行语义分割,根据语义分割的结果提取质心特征和角度特征;
所述特征提取单元还用于获取所述图片的色彩饱和度;
所述训练单元用于将所述深度学习特征、所述压字特征、所述拼图特征、所述质心特征、所述角度特征和所述色彩饱和度作为训练特征进行训练,以得到预测模型;
所述评估单元用于根据所述预测模型对所述图片的美感质量进行评估。
6.如权利要求5所述的图片美学质量的评估***,其特征在于,所述特征提取单元还用于基于Resnet模型、xception模型、VGG模型提取所述深度学习特征;
所述特征提取单元还用于基于yolo模型和resnet模型提取所述压字和所述拼图特征。
7.如权利要求5所述的图片美学质量的评估***,其特征在于,所述特征提取单元还用于基于pspnet模型对所述图片进行语义分割。
8.如权利要求5所述的图片美学质量的评估***,其特征在于,所述深度学习特征还包括基于NIMA模型提取的所述图片的预测分数均值和偏差。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述的图片美学质量的评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的图片美学质量的评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730785.3A CN111862061A (zh) | 2020-07-27 | 2020-07-27 | 图片美学质量的评估方法、***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730785.3A CN111862061A (zh) | 2020-07-27 | 2020-07-27 | 图片美学质量的评估方法、***、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862061A true CN111862061A (zh) | 2020-10-30 |
Family
ID=72947545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010730785.3A Pending CN111862061A (zh) | 2020-07-27 | 2020-07-27 | 图片美学质量的评估方法、***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862061A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381798A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种输电线路缺陷识别方法和终端 |
CN112819509A (zh) * | 2021-01-18 | 2021-05-18 | 上海携程商务有限公司 | 自动筛选广告图片的方法、***、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109801256A (zh) * | 2018-12-15 | 2019-05-24 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109978836A (zh) * | 2019-03-06 | 2019-07-05 | 华南理工大学 | 基于元学习的用户个性化图像美感评价方法、***、介质和设备 |
US20190228547A1 (en) * | 2018-01-24 | 2019-07-25 | New York University | Systems and methods for diagnostic oriented image quality assessment |
CN110428412A (zh) * | 2019-07-31 | 2019-11-08 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
-
2020
- 2020-07-27 CN CN202010730785.3A patent/CN111862061A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190228547A1 (en) * | 2018-01-24 | 2019-07-25 | New York University | Systems and methods for diagnostic oriented image quality assessment |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109801256A (zh) * | 2018-12-15 | 2019-05-24 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109978836A (zh) * | 2019-03-06 | 2019-07-05 | 华南理工大学 | 基于元学习的用户个性化图像美感评价方法、***、介质和设备 |
CN110428412A (zh) * | 2019-07-31 | 2019-11-08 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381798A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种输电线路缺陷识别方法和终端 |
CN112819509A (zh) * | 2021-01-18 | 2021-05-18 | 上海携程商务有限公司 | 自动筛选广告图片的方法、***、电子设备和存储介质 |
CN112819509B (zh) * | 2021-01-18 | 2024-03-26 | 上海携程商务有限公司 | 自动筛选广告图片的方法、***、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Din et al. | A novel GAN-based network for unmasking of masked face | |
US20210174072A1 (en) | Microexpression-based image recognition method and apparatus, and related device | |
WO2019200783A1 (zh) | 动态图表类页面数据爬取方法、装置、终端及存储介质 | |
EP3872766A2 (en) | Method and device for processing image, related electronic device and storage medium | |
CN109729426B (zh) | 一种视频封面图像的生成方法及装置 | |
US20190080206A1 (en) | Refining Synthetic Data With A Generative Adversarial Network Using Auxiliary Inputs | |
WO2018121777A1 (zh) | 人脸检测方法、装置和电子设备 | |
CN110446063B (zh) | 视频封面的生成方法、装置及电子设备 | |
CN111814620B (zh) | 人脸图像质量评价模型建立方法、优选方法、介质及装置 | |
WO2017035966A1 (zh) | 用于人脸图像处理的方法和装置 | |
WO2021139557A1 (zh) | 肖像简笔画生成方法、***及绘画机器人 | |
CN112527115B (zh) | 用户形象生成方法、相关装置及计算机程序产品 | |
CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
CN111862061A (zh) | 图片美学质量的评估方法、***、设备和介质 | |
US20230082715A1 (en) | Method for training image processing model, image processing method, apparatus, electronic device, and computer program product | |
CN114627006A (zh) | 一种基于深度解耦网络的渐进式图像修复方法 | |
US20230118361A1 (en) | User input based distraction removal in media items | |
CN116033259B (zh) | 生成短视频方法、装置、计算机设备及存储介质 | |
CN111652238B (zh) | 一种多模型集成方法及*** | |
CN115631285B (zh) | 基于统一驱动的人脸渲染方法、装置、设备及存储介质 | |
CN112580395A (zh) | 基于深度信息的3d人脸活体识别方法、***、设备及介质 | |
CN114331932A (zh) | 目标图像生成方法和装置、计算设备以及计算机存储介质 | |
CN111582281B (zh) | 一种图片显示优化的方法、装置、电子设备和存储介质 | |
CN114630190A (zh) | 关节姿态参数的确定方法、模型训练方法及装置 | |
CN112822393A (zh) | 图像处理方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |