| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 概述 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究水平及现状 | 第8-10页 |
| 1.2.1 图像美感评价传统方法 | 第8-9页 |
| 1.2.2 图像美感品质评价的卷积神经网络方法 | 第9-10页 |
| 1.3 论文主要具体工作 | 第10-11页 |
| 1.4 论文组织结构及创新点 | 第11-13页 |
| 第2章 相关理论基础 | 第13-24页 |
| 2.1 神经网络模型 | 第13-18页 |
| 2.1.1 简单神经网络模型 | 第13-15页 |
| 2.1.2 卷积神经网络 | 第15-16页 |
| 2.1.3 卷积神经网络中的算法 | 第16-18页 |
| 2.1.4 基于Fine-tune方法进行模型训练 | 第18页 |
| 2.2 用于建立IAFA的人工设计特征 | 第18-22页 |
| 2.2.1 构图美感因素 | 第18-19页 |
| 2.2.2 景深美感因素 | 第19页 |
| 2.2.3 亮度美感因素 | 第19-21页 |
| 2.2.4 颜色美感因素 | 第21-22页 |
| 2.3 多任务学习 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于嵌套fine-tune的图像美感品质评价 | 第24-36页 |
| 3.1 比较Alexnet和VGG_S卷积神经网络结构 | 第24-26页 |
| 3.2 基于图像内容进行模型训练 | 第26-27页 |
| 3.3 基于嵌套fine-tune的模型训练 | 第27-28页 |
| 3.4 图像美感品质评价 | 第28页 |
| 3.5 实验及实验结果讨论分析 | 第28-34页 |
| 3.5.1 数据库及实验平台 | 第28-29页 |
| 3.5.2 Alexnet和VGG_S的比较结果 | 第29-30页 |
| 3.5.3 基于图像内容的实验结果 | 第30-31页 |
| 3.5.4 嵌套fine-tune实验结果 | 第31-33页 |
| 3.5.5 图像美感品质评价 | 第33-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第4章 影响图像美感品质具体因素数据库 | 第36-54页 |
| 4.1 数据的收集和分类 | 第37页 |
| 4.2 图像美感因素的机器评分 | 第37-42页 |
| 4.2.1 机器评分标准的制定 | 第37-40页 |
| 4.2.2 图像美感因素的机器评分 | 第40-42页 |
| 4.3 图像美感因素人工评分 | 第42-50页 |
| 4.3.1 问卷调查 | 第43-45页 |
| 4.3.2 人工评分方法 | 第45-50页 |
| 4.4 正负样本和数据集的划分 | 第50-53页 |
| 4.4.1 正负样本的划分 | 第50-51页 |
| 4.4.2 训练集、验证集和测试集的划分 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 图像美感因素的美感品质分类 | 第54-64页 |
| 5.1 采用单任务学习进行模型训练 | 第54-57页 |
| 5.1.1 单任务学习网络结构的选取 | 第54-56页 |
| 5.1.2 基于单任务学习图像美感因素模型模型 | 第56-57页 |
| 5.2 采用多任务学习进行模型训练 | 第57-61页 |
| 5.2.1 多任务学习网络结构的选取 | 第57-61页 |
| 5.2.2 基于多任务学习图像美感因素模型训练 | 第61页 |
| 5.3 单任务学习和多任务学习的实验结果对比 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64页 |
| 6.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
