基于美学质量评价的条件生成对抗网络线稿图像彩色化方法

目的 为了更好地实现包装设计中符合用户美学感知需求的动漫图像元素,生成美感更高的彩色线稿图像,提出一种基于美学质量评价的条件生成对抗网络线稿图像彩色化方法(Conditional Image Colorization with Image Aesthetics GANs,IM-GAN).方法 采用Mish函数作为生成模型激活函数,并使用美学质量评价优化生成模型损失函数,实现线稿图像的自动彩色化任务.结果 使用图像美学质量评分作为客观评价指标,观察者打分作为主观评价指标,对算法进行评价.IM-GAN生成的彩色图像具有更高美学质量评分和主观打分.结论 文中方法能够完成线稿图像自动彩色化任务,在包装设计动漫形象应用方面具有一定的参考和使用价值.     

现代界面设计中的“中国风”

在现代设计当中,更多的设计师开始将中国传统美学的元素融入到其设计作品中,而人们看到的更多是在建筑领域,工业产品领域的"中国风"设计,其实在互联网高速发展的今天,网站、软件等的界面设计越来越被设计师所关注,在界面设计这个领域,是否也可以融入中国的传统美学元素呢?特别是像一些图标设计,网页设计是不是加上传统图案就可以称之为"中国风"了呢?中国传统美学博大精深,有周易的极简之美,含蓄的隐约之美,老庄的自然之美,种种美的观点如何附加在现代的界面设计当中,以体现绝美的中式情怀,将以此为切入点,讨论现代界面设计中的中国传统美学因素。     

面向用户情感的情绪板界面设计方法改进

目的 面向界面设计领域提出一种改进的情绪板设计方法,帮助设计师更准确地表达用户情感,并提高获取设计元素的效率。方法 在原有的情绪板设计方法中,引入0阶感性概念法,增强用户情感表达的准确性;面向界面设计,提出一系列基于图像提取设计元素的指导原则,增强情绪板设计方法在界面设计中的应用效率;拓展情绪板设计方法在交互动画设计领域的应用,从静态及动态角度多方位唤起用户情感。结论 为了验证改进后的情绪板设计方法的有效性,设计师基于该方法优化了一款拍卖软件的界面设计。通过用户参与的验证实验,表明改进后的情绪板设计方法可以帮助设计师更准确地根据用户的情感需求,对APP界面进行设计,并有助于从用户情感角度优化APP界面的设计效果。     

基于通道注意力与迁移学习的红外图像超分辨率重建算法

针对现有红外图像分辨率低、质量不高的问题,提出了基于通道注意力与迁移学习的红外图像超分辨率重建方法.该方法设计了一个深度卷积神经网络,融入通道注意力机制来增强网络的学习能力,并且使用残差学习方式来减轻梯度爆炸或消失问题,加速网络的收敛.考虑到高质量的红外图像难以采集、数目不足的情况,将网络的训练分成两步:第一步使用自然...     

基于改进双流卷积递归神经网络的RGB-D物体识别方法

为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN)。将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用Softmax生成概率分布。最后,使用标准数据集进行实验,结果表明,Re-CRNN算法的RGB-D物体识别准确率为94.1%,较现有基于图像的物体识别方法有显著的提升。     

基于拉普拉斯金字塔的图像压缩与重构研究

目的研究利用深度学习辅以拉普拉斯金字塔来完成图像压缩与重构。方法利用卷积神经网络提取图像的主要特征,利用双三线性插值法来减少特征尺寸,使用拉普拉斯金字塔来构建分层体系,从而逐步地减少图像大小以达到压缩的目的。在重构端上,对此系统则进行卷积操作,并采用上采样过程,进行图像的恢复重构过程,得到重构图。结果采用来自法国贝尔实验室的set 5与set 14数据集进行验证,使用2层金字塔即在16倍的高倍率压缩下进行实验结果验证,结果表明在主观评价上使用深度学习的方法在清晰度和还原度上要优于PCA,DCT和SVD,同时在客观评价上文中方法取得了标准差(52.73)与信息熵(7.44)的最好结果,高于PCA的49.70与7.38。SVD变换法与DCT变换法,在标准差上只有48.69和49.02,远不如文中方法,同时图片的信息熵只有7.34与7.35,低于文中的7.44。结论利用拉普拉斯金字塔结构来设计卷积神经网络结构来完成图像压缩与重构取得了不错的效果。     

基于深度学习的验证码图像识别

验证码是一种区分用户是计算机还是人的公共全自动程序.为了尽可能大批量地获取某网站的信息,就需要让机器可以全自动地识别该网站的验证码.为了破解验证码,对深度学习的验证码图像识别方法进行了研究.提出使用图像标注的方法来生成验证码图像中的字母序列.实验采用深度学习框架Caffe,将卷积神经网络与循环神经网络相结合进行训练.将卷积神经网络的输出用于训练循环神经网络,来不断地预测出序列中下一个最有可能出现的字母.训练的目标是将输出的词尽量和预期的词一致.测试结果表明,该模型能够对该网站的验证码图像做到97%的识别准确率.该方法比只采用卷积神经网络进行识别效果好.     

基于卷积神经网络的目标跟踪算法综述

目标跟踪是机器视觉领域一个重要的研究方向,在军事、交通等领域有着广泛的应用。随着训练数据和硬件的发展,越来越多的学者将深度学习应用于视觉跟踪领域。近几年来,一大批基于深度学习的跟踪算法被提出,与传统的机器学习方法相比,包含多个隐含层的卷积神经网络(CNN)具有更强大的特征学习和特征表达能力。分析了目标跟踪中的难题以及用卷积神经网络解决此类问题的可能性,综述了卷积神经网络在视觉跟踪领域的发展,并对卷积神经网络在视觉目标跟踪中的最新成果进行了总结和深入分析,最后对卷积神经网络在目标跟踪领域未来的发展进行了展望。     

计算美学:计算科学驱动的视觉美学度量与生成

目的 计算美学旨在实现可计算的审美决策、美学设计与艺术创作,其在美学的计算建模与高效分析理解方面具有重要的科学意义.同时,依赖于计算机技术自动、高效等特点,以计算方法改进美学工具、进行艺术作品创作具有广阔的应用前景.随着人工智能技术的发展,计算美学的内涵得到了极大的丰富与扩展,同时也出现了对美学更高层次的理解、创作的挑战.方法 从现有前沿工作出发,将计算美学研究归纳为美学度量与美学生成两个方面研究内容.其中美学度量通过神经网络自动提取图像美学特征来判断视觉作品是否符合美感,美学生成则主要通过生成模型自动进行图像风格、布局、颜色等的设计.结论 通过分析计算美学发展的关键挑战对审美认知机理驱动的美学度量、个性化美学生成等未来方向进行了展望.     

迁移学习和卷积神经网络电力设备图像识别方法

一线生产单位一般不具备建立大量电力设备图像数据集的条件,因此在使用深度学习模型协助完成对电力设备图像的识别过程中受到限制。通过对电力设备进行三维建模和多角度渲染,获得大量模拟电力设备图像,解决深度学习模型卷积神经网络在学习过程中数据集不足的问题。同时,通过迁移学习的方式将经过模拟电力设备图像训练的卷积神经网络应用于对真实电力设备图像的学习中,提高学习效率和精度,最终取得93.5%的识别准确率。该方法为一线生产单位将卷积神经网络应用于电力设备图像识别分类任务提供一种解决办法。     

Classification and Research of Skin Lesions Based on Machine Learning

Classification of skin lesions is a complex identification challenge. Due to the wide variety of skin lesions, doctors need to spend a lot of time and effort to judge the lesion image which zoomed through the dermatoscopy. The diagnosis which the algorithm of identifying pathological images assists doctors gets more and more attention. With the development of deep learning, the field of image recognition has made longterm progress. The effect of recognizing images through convolutional neural network models is better than traditional image recognition technology. In this work, we try to classify seven kinds of lesion images by various models and methods of deep learning, common models of convolutional neural network in the field of image classification include ResNet, DenseNet and SENet, etc. We use a fine-tuning model with a multi-layer perceptron, by training the skin lesion model, in the validation set and test set we use data expansion based on multiple cropping, and use five models’ ensemble as the final results. The experimental results show that the program has good results in improving the sensitivity of skin lesion diagnosis.     

基于计算美学的实体界面美度评估方法

目的 为解决实体界面美度评估中的风格、多维度指标及方法应用问题,结合计算美学的特性,提出一个新评估方法。方法 通过分析当前的界面美度评估与计算美学的研究现状和缺口,提出了运用感性工学、因子分析、平面坐标定位,美度公式等分析与计量手段来建构一种基于计算美学的实体界面美度评估方法。与已有研究相比,该方法综合考虑了界面风格认知和多维关联指标等在用户审美要素、评估指标、评估精度和应用效力上的现实问题,将计算美学的应用对象从现阶段的数字界面拓展到了实体界面。结果 以某品牌示波器的界面设计方案为例,对新的评估方法进行了实证分析,并通过眼动追踪实验验证了实证结果,结果表明,该评估方法能够准确、有效地反映用户的审美倾向。结论 形成的方法和结论对实体界面美学的设计与评估具有一定的指导作用,也为计算机辅助界面设计提供了重要参考。     

不同年龄人群对交互界面设计风格的审美偏好与操作效率的比较

目的 手机APP已成为人们生活中的重要工具,APP每个构成部分都直接影响着用户的体验,而界面是人机交互中最重要也最直接的信息交流载体。影响界面的设计因素很多,其中设计风格和形式美感是较为重要的因素,但是不同年龄群体对此有各自的偏好,并且界面风格的审美偏好与操作效率可能存在关联关系,对于设计师而言,了解这些差异性与关联性是重要的,这也是本文的研究目的。方法 通过招募30位不同年龄段的用户,让他们对5种常见的手机APP界面设计风格进行美感主观评分,以及设定任务并统计其操作时间,然后对主观评价与客观操作进行比较分析。结论 发现不同年龄群体对APP界面风格有审美偏好的差异,并且审美偏好与操作效率存在相关性,这种相关性在相对年轻的群体中更为明显,特别是15~30岁年龄组中,界面美感的偏好与实际操作效率有显著相关性。     

融合注意力机制的多尺度深度网络的逆半调方法

目的 运用现有的逆半调方法恢复的图像存在着半色调网纹去除不够理想、图像细节恢复不够清晰等问题,为了进一步提高逆半调图像在平滑区域和纹理细节方面的质量,提出一种基于融合注意力机制的多尺度卷积神经网络的逆半调方法。方法 首先,根据半色调图像网点噪声多频分布特点,设计多尺度卷积网络为基础结构的深度学习网络,从多个不同的尺度抑制半色调网纹并恢复不同尺度的图像信息;然后,应用注意力机制重建图像信息,从而生成逆半调图像;最后,提出多任务损失函数加速网络优化,更好地实现逆半调。结果 实验结果表明,运用此方法得到的逆半调图像在视觉上与原始图像更为相近,恢复出的图像细节更好;在客观评价方面,通过与现有的最先进的方法相比,峰值信噪比平均值提高了0.562～10.095 dB,结构相似度平均值提高了0.01～0.171。结论 该方法可以实现半色调图像的高质量恢复。     

Deep learning for photoacoustic tomography from sparse data

The development of fast and accurate image reconstruction algorithms is a central aspect of computed tomography. In this paper, we investigate this issue for the sparse data problem in photoacoustic tomography (PAT). We develop a direct and highly efficient reconstruction algorithm based on deep learning. In our approach, image reconstruction is performed with a deep convolutional neural network (CNN), whose weights are adjusted prior to the actual image reconstruction based on a set of training data. The proposed reconstruction approach can be interpreted as a network that uses the PAT filtered backprojection algorithm for the first layer, followed by the U-net architecture for the remaining layers. Actual image reconstruction with deep learning consists in one evaluation of the trained CNN, which does not require time-consuming solution of the forward and adjoint problems. At the same time, our numerical results demonstrate that the proposed deep learning approach reconstructs images with a quality comparable to state of the art iterative approaches for PAT from sparse data.     

基于熵理论的产品美度综合评价方法

目的 针对产品设计中的美度评价,基于熵理论与计算美学理论提出一种产品美度综合评价方法,实现产品形态布局美度的量化评价.方法 根据产品形态特点与形式美学法则,构建产品形态布局美度指标的量化与计算体系;应用熵值法计算各美度指标的权重值,引入相对熵作为均衡系数修正传统线性迭加评价映射方法,提高评价结果的客观性和准确性,构建产品美度指标综合评价方法.结果 以奥迪A4L系列汽车大灯为例进行实例研究,通过与市场主流品牌在售产品的形态布局对比研究,证明了实例研究结果的可信度与方法的可行性.结论 基于熵理论的产品美度综合评价方法在产品设计领域具有较强的通用性,能够为设计师提供客观的美度量化数据,在定量层面指导产品形态布局的优化与创新.     

产品CMF设计审美评价模型研究

目的 对产品外观设计的审美偏好本质与规律进行分析,探索产品外观设计的审美评价方式与评估方法,建立产品CMF设计的审美评价模型。方法 首先,基于产品美学研究文献梳理产品CMF设计的审美评价维度;其次,结合问卷调查和人物访谈进行消费者审美偏好要素调研,探索审美评价指标并进行权重分析;最后,依据模糊评价法进行评价模型的构建,完善评价模型界面。结果 提出产品CMF设计的感知、认知和社交3个审美评价维度,多样性、统一性、典型性、新颖性、独特性、连通性6个要素,以及25个评价指标,并根据评价指标权重分析构建产品CMF设计的“Aesthetics-PCS”评价模型。结论 通过评价模型助力产品设计的方案筛选过程,设计师能更好地理解消费者的审美偏好并做出相应的设计,从而提高产品的市场竞争力。     

A Novel Combinational Convolutional Neural Network for Automatic Food-Ingredient Classification

With the development of deep learning and Convolutional Neural Networks (CNNs), the accuracy of automatic food recognition based on visual data have significantly improved. Some research studies have shown that the deeper the model is, the higher the accuracy is. However, very deep neural networks would be affected by the overfitting problem and also consume huge computing resources. In this paper, a new classification scheme is proposed for automatic food-ingredient recognition based on deep learning. We construct an up-to-date combinational convolutional neural network (CBNet) with a subnet merging technique. Firstly, two different neural networks are utilized for learning interested features. Then, a well-designed feature fusion component aggregates the features from subnetworks, further extracting richer and more precise features for image classification. In order to learn more complementary features, the corresponding fusion strategies are also proposed, including auxiliary classifiers and hyperparameters setting. Finally, CBNet based on the well-known VGGNet, ResNet and DenseNet is evaluated on a dataset including 41 major categories of food ingredients and 100 images for each category. Theoretical analysis and experimental results demonstrate that CBNet achieves promising accuracy for multi-class classification and improves the performance of convolutional neural networks.