基于图像场景和显著性信息的图像美感质量评估
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 图像美感质量评估的研究背景 | 第10-11页 |
| 1.2 现研究状况和发展趋势 | 第11-17页 |
| 1.3 本文研究内容 | 第17页 |
| 1.4 章节安排 | 第17-19页 |
| 第二章 基于卷积神经网络的图像视觉特征学习 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 人工神经网络 | 第19-21页 |
| 2.3 卷积神经网络 | 第21-25页 |
| 2.3.1 卷积神经网络思想架构 | 第22-23页 |
| 2.3.2 卷积神经网络结构框架 | 第23-24页 |
| 2.3.3 卷积神经网络训练 | 第24-25页 |
| 2.4 实验模型框架介绍 | 第25-27页 |
| 2.4.1 Alex Net模型 | 第25-26页 |
| 2.4.2 VGG-16 模型 | 第26-27页 |
| 2.5 图像视觉特征 | 第27-30页 |
| 2.5.1 基本图像视觉特征 | 第27-28页 |
| 2.5.2 深度模型视觉特征 | 第28-30页 |
| 2.6 实验数据集介绍 | 第30-32页 |
| 2.6.1 AVA数据集 | 第30-31页 |
| 2.6.2 CUHK-PQ数据集 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第三章 融合图像场景信息的美感质量评估 | 第33-44页 |
| 3.1 引言 | 第33页 |
| 3.2 融合场景信息的图像美感评估模型框架 | 第33-35页 |
| 3.3 深度卷积神经网络实现 | 第35-37页 |
| 3.3.1 网络结构设计 | 第35-37页 |
| 3.3.2 网络模型的输入 | 第37页 |
| 3.4 模型预训练 | 第37-39页 |
| 3.5 图像美感分类实验结果与对比 | 第39-43页 |
| 3.5.1 数据集预处理 | 第39-40页 |
| 3.5.2 CUHK-PQ数据集实验结果 | 第40-42页 |
| 3.5.3 AVA数据集实验结果 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 融合图像显著信息的美感质量评估 | 第44-55页 |
| 4.1 引言 | 第44-45页 |
| 4.2 模型整体框架 | 第45-50页 |
| 4.2.1 RCL单元基本结构 | 第45-46页 |
| 4.2.2 具体网络结构 | 第46-49页 |
| 4.2.3 模型训练 | 第49-50页 |
| 4.3 RCL网络结构实验与分析 | 第50-51页 |
| 4.4 图像美感实验结果分析 | 第51-53页 |
| 4.4.1 RCL单路实验结果 | 第51-52页 |
| 4.4.2 双路并行网络实验结果 | 第52-53页 |
| 4.5 本章小结 | 第53-55页 |
| 总结 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |
