深度卷积神经网络在图像美学评价的应用综述

随着近年来深度学习的日益发展,图像美学评价逐渐成为一个新的热门研究课题,深度卷积神经网络在图像美学评价的应用成功地取得了可观的发展成果,并引起了广泛的关注。为了解决现有综述存在的文献概括不全、对该技术的发展情况认识不足的问题,先后从全局感知和局部感知、个性化查询、手工特征提取与深度卷积神经网络结合等角度对其发展情况进行了详细地阐述,对图像美学评价、图像裁剪、工具应用等应用情况作了分析,并从充分结合多场景、巧用构图规则、提前建立美学图像数据集等角度进行了未来工作展望。

基于深度卷积神经网络的舌体胖瘦精细分类

现在的舌体胖瘦分类方法主要将舌体图片分成舌体正常、舌体胖大、舌体瘦小等类别,没有考虑舌体胖大有齿印这一特殊类别。提出新的模块K Block,并基于K Block搭建一种深度卷积神经网络模型,实现舌体胖瘦精细分类,将舌体图片分类为舌体正常、舌体胖大、舌体胖大有齿印、舌体瘦小。通过实验,该模型对舌体胖瘦精细分类的准确率为32.45%,同时优于AlexNet等经典模型的分类表现。

基于深度学习的图像风格迁移研究综述

为推进基于深度学习的图像风格迁移的技术研究,对目前基于深度学习的图像风格迁移的主要方法和代表性工作进行了归纳与探讨。回顾了非参数的图像风格迁移,详细介绍了目前主要的基于深度学习的图像风格迁移的基本原理和方法,分析了图像风格迁移在相关领域中的应用前景,最后总结了基于深度学习的图像风格迁移目前存在的问题与未来的研究方向。