基于双注意力机制和元迁移学习的个性化图像美学评价方法

个性化图像美学评价针对不同用户之间的个性化审美差异进行感知评估,取得了广泛的应用。然而,目前存在的大众化图像美学模型无法很好地适应小样本个性化图像美学评价任务。为解决该问题,提出了一种融合双注意力机制的EfficientNet网络和元学习的PIAA方法(DA-EBLG-PIAA),将单个用户的个性化打分分别组成不同的单个任务,使用EfficientNet网络作为主干网络,适应小样本学习任务,并融合了双注意力机制,更好地捕捉了空间和通道维度中的全局特征依赖关系。实验结果表明提出的个性化美学评价方法性能优于许多当前存在的模型,可以有效地应用于个性化图像美学感知评价。

个性化图像美学评价的研究进展与趋势

图像美学评价方法是当前研究的热点问题。图像美学评价分为大众化和个性化两种。大众化图像美学评价主要研究大多数人对图像共同的审美感知评估,而个性化图像美学评价可以针对用户的个性化审美感知进行评估。现有的研究工作主要集中在大众化图像美学评价上,但是由于人们对图像的审美体验具有高度主观性,研究针对特定用户的个性化图像美学评价方法更加符合现实意义。目前研究人员针对个性化图像美学评价展开了相关研究,并取得了一定的研究进展。但是现有的文献中缺少对个性化图像美学评价方法的综述,本文针对个性化图像美学评价的研究进展与趋势进行概述。首先分析图像美学评价的研究现状与发展趋势;然后针对现阶段的个性化图像美学评价模型进行概述,将现有的个性化图像美学评价模型总结为基于协同过滤的模型、基于用户交互的模型和基于审美差异的模型,并分析这3类模型主要的设计思路以及优缺点;最后介绍个性化图像美学评价在精准营销、个性化推荐系统、个性化视觉增强和个性化艺术设计上的应用前景,并指出未来研究工作在主观特性分析和知识驱动建模等方面的发展方向。