1.一种基于性格特征的个性化图像美学评价方法,其特征在于,该方法包括如下步骤:(1)采集美学图像数据集,性格图像数据集,个性化图像数据集;
(2)对上述三种数据集中的图像进行预处理;
(3)构建待训练的图像美学评价网络模型和图像性格特征网络模型;
(4)将预处理后的美学评价图像和性格特征图像输入到网络模型中进行训练,训练得到符合要求的网络模型;
(5)利用线性回归模型构建图像的性格特性和美学之间的关系模型,并将个性化图像输入到步骤(4)训练好的模型中获取预测性格特征和大众化美学分数,利用图像个性化美学分数训练构建好的回归模型获得符合个性化的美学预测模型;
(6)对于待测试美学图像,利用已建立的个性化的美学预测模型,实现个体个性化美学评价;
步骤(1)中,采集美学图像数据集,性格图像数据集,个性化图像数据集,方法如下:(1.1)美学图像数据集
(1.1.1)获取图像以及评价者对图像的美学打分,每幅图像的美学分数都是由多个评价者进行评价得到;
(1.1.2)提取美学图像数据集中待训练的样本图像Ia,以及对应的m个评价者对图像的美学评分 其中,n为待训练的样本图像数量,m为对每幅样本图像进行美学打分的评价者的数量,a=1,2,…,n;
(1.1.3)把每幅样本图像的多个美学评分的平均值作为此图像的大众化美学分数:其中,Sa为图像的大众化美学分数;
(1.1.4)把图像的大众化美学分数Sa划分到[0,1]之间;
(1.2)性格图像数据集
(1.2.1)收集社交媒体上n1位用户标记的m1幅偏好图像,每位用户标记了m1/n1幅偏好图像,并利用性格调查问卷获取每位用户的五种性格特征,把用户的性格特征看成其偏好图像的性格特征属性;
(1.2.2)提取性格图像数据集中待训练的样本图像Ib,b=1,2,…,m1,其中m1为待训练的样本图像数量;然后把每个用户的五种性格特征数值作为其偏好图像的性格特征,因此性格图像数据集中每幅图像都对应一组性格特征数值(1.2.3)最后把样本图像的五种性格特征 标准化到[‑1,1]之间,i=1,2,…5;
(1.3)个性化图像数据集
(1.3.1)采集待训练的样本图像Ip和对应个体的个性化美学评分Qp,p=1,2,…,n2,其中,n2为待训练的样本图像数量,其中,Qp为单独评价者对图像的个性化美学分数;
(1.3.2)把Qp归一化到[0,1]之间;
步骤(2)中,对上述三种数据集中的图像进行预处理,方法如下:把所有的样本图像的尺寸缩放到预定尺寸大小,然后在缩放之后的图像上按照预设尺寸的大小进行随机裁剪和以预设概率的随机垂直翻转增强输入图像数据,并把样本图像的像素值归一化到[0,1]之间;
步骤(3)中,构建待训练的图像美学评价网络模型,方法如下:基础网络模型为18层的ResNet,把Resnet最后的输出层替换成两个全连接层和一个输出层;两个全连接层分别由
1024个和512个节点组成,输出层为最终预测的大众化美学分数,在每一个全连接层后增加一个BN层和一个Dropout层,使用Sigmoid激活函数作为输出层的激活函数;
步骤(3)中,构建待训练的图像性格特征网络模型,方法如下:基础网络模型为18层的ResNet,把Resnet最后的输出层替换成两个全连接层和一个输出层;两个全连接层分别由
1024个和512个节点组成,输出层为最终预测的五种性格特征,在每一个全连接层后增加一个BN层和一个Dropout层,使用Tanh激活函数作为输出层的激活函数;
步骤(5)中,利用线性回归模型构建性格特性和美学分数之间的关系模型,并将个性化图像输入到步骤(4)训练好的模型中获取预测性格特征和大众化美学分数,利用图像个性化美学分数训练构建好的回归模型获得符合个性化的美学预测模型,方法如下:首先利用上述两个模型提取样本图像的五种性格特征和大众化的美学分数,然后利用线性回归模型获取五种性格特征的权重W,线性回归模型的预测函数为:其中, 为图像经过性格特征预测模型得到的五种性格特征, 为图
像经过大众化美学模型得到的大众化美学分数,W为预定的五种性格权重, 为预测得到的个性化美学分数。
2.根据权利要求1所述的一种基于性格特征的个性化图像美学评价方法,其特征在于,以上模型训练时,两个模型训练采用如下损失函数:其中,Sa和 分别为图像大众化美学分数的真实结果和预测结果,通过梯度下降法对训练图像进行不断迭代来优化损失函数,直至计算的损失函数结果小于阈值为止,最终得到图像的美学评价模型;
其中, 和 分别为图像的五种性格特征的真实结果和预测结果,通过梯度下降法对训练图像进行不断迭代来优化损失函数,直至计算的损失函数结果小于阈值为止,最终得到图像的性格特征预测模型。
3.根据权利要求2所述的一种基于性格特征的个性化图像美学评价方法,其特征在于,图像美学评价网络模型和图像性格特征网络模型训练时,既可以是分别单独训练,也可以交替训练。
4.根据权利要求1所述的一种基于性格特征的个性化图像美学评价方法,其特征在于,使用两者之间的欧式距离作为损失函数进行训练来优化个性化美学预测模型的网络参数,损失函数LQ的计算公式为:其中,Qp和 分别为图像个性化美学分数的真实结果和预测结果,通过梯度下降法对训练图像进行不断迭代来优化损失函数,直至计算的损失函数结果小于阈值为止。