(44-1) 16 * << * >> * Русский * English * Содержание * Все выпуски

Применение методов глубокого обучения для оценки степени коммерческой ценности визуальных объектов

В.Г. Ефремцев 1, Н.Г. Ефремцев 1, Е.П. Тетерин 2, П.Е. Тетерин 3, В.В. Гансовский 1

Независимый исследователь;
Ковровская государственная технологическая академия им. В.А. Дегтярева,
Владимирская обл., г. Ковров, Россия;
Национальный исследовательский ядерный университет «МИФИ», г. Москва, Россия

 PDF, 749 kB

DOI: 10.18287/2412-6179-CO-515

Страницы: 127-132.

Аннотация:
Рассмотрена возможность применения сверточной нейронной сети для оценки коммерческой ценности цифровых изображений. Исследовалось влияние на обучение нейронной сети различных условий подготовки образцов, алгоритмов оптимизаторов, количества пикселей в образцах, размеров обучающей выборки, цветовых схем, качества сжатия и других фотометрических параметров. Показано, что благодаря предложенной предварительной подготовке данных, оптимальному выбору архитектуры и гиперпараметров нейросети удалось добиться точности классификации не менее 98%.

Ключевые слова:
глубокое обучение, нейросети, анализ изображений.

Цитирование:
Ефремцев, В.Г. Применение методов глубокого обучения для оценки степени коммерческой ценности визуальных объектов / В.Г. Ефремцев, Н.Г. Ефремцев, Е.П. Тетерин, П.Е. Тетерин, В.В. Гансовский // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 127-132. – DOI: 10.18287/2412-6179-CO-515.

Благодарности:
Работа выполнена при поддержке программы «Повышение конкурентоспособности ведущих университетов РФ» (проект 5-100), контракт №02.a03.21.0005, 27.08.2013.

Литература:

  1. Aloufi, S. On the prediction of Flickr image popularity by analyzing heterogeneous social sensory data / S. Aloufi, S. Zhu, A. El Saddik // Sensors. – 2017. – Vol. 17. – 631.
  2. Ellett, J. New AI-based tools are transforming social media marketing [Электронный ресурс] – 2017. – URL: https://www.forbes.com/sites/johnellett/2017/07/27/new-ai-based-tools-are-transforming-social-media-marketing/#7437b17669a2.
  3. More, V. Study on aesthetic analysis of photographic images techniques to produce high dynamic range images / V. More, P. Agrawal // International Journal of Computer Applications. – 2017. – Vol. 159, No 8. – P. 34-38.
  4. Talebi, H. NIMA: Neural image assessment / H. Talebi, P. Milanfar // IEEE Transactions on Image Processing. – 2018. – Vol. 27, Issue 8. – P. 3998-4011.
  5. Lu, X. Deep multi-patch aggregation network for image style, aesthetics, and quality estimation / X. Lu, Z. Lin, X. Shen, R. Mech, J.Z. Wang // Proceedings of the IEEE International Conference on Computer Vision. – 2015. – P. 990-998.
  6. Kang, L. Convolutional neural networks for no-reference image quality assessment / L. Kang, P. Ye, Y. Li, D. Doer­mann // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2014. – P. 1733-1740.
  7. Xue, W. Learning without human scores for blind image quality assessment / W. Xue, L. Zhang, X. Mou // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2013. – P. 995-1002.
  8. Никоноров, А.В. Реконструкция изображений в дифракционно-оптических системах на основе свёрточных нейронных сетей и обратной свёртки / А.В. Никоноров, М.В. Петров, С.А. Бибиков, В.В. Кутикова, А.А. Моро­зов, Н.Л. Казанский // Компьютерная оптика. – 2017. – Т. 41, № 6. – С. 875-887. – DOI: 10.18287/2412-6179-2017-41-6-875-887.
  9. Rubio, F. Drawing a baseline in aesthetic quality assessment / F. Rubio, M.J. Flores, J.M. Puerts // Proceedings of SPIE. – 2017. – Vol. 10696. – 106961M.
  10. Li, Y. Image aesthetic quality evaluation using convolution neural network embedded learning / Y. Li [et al.] // Optoelectronics Letters. – 2017. – Vol. 13, Issue 6. –·P. 471-475.
  11. Murray, N. AVA: A large-scale database for aesthetic visual analysis / N. Murray, L. Marchesotti, F. Perronnin // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2012. – P. 2408-2415.
  12. Marchesotti, L. Assessing the aesthetic quality of photographs using generic image descriptors / L. Marchesotti, F. Perronnin, D. Larlus, G. Csurka // 2011 International Conference on Computer Vision. – 2011. – P. 1784-1791.
  13. Рыцарев, И.А. Кластеризация медиаконтента из социальных сетей с использованием технологии BigData / И.А. Рыцарев, Д.В. Кирш, А.В. Куприянов // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 921-927. – DOI: 10.18287/2412-6179-2018-42-5- 921-927.
  14. Luo, W. Content-based photo quality assessment / W. Luo, X. Wang, X. Tang // 2011 International Conference on Computer Vision. – 2011. – P. 2206-2213. – DOI: 10.1109/ICCV.2011.6126498.
  15. Luo, Y. Photo and video quality evaluation: Focusing on the subject / Y. Luo, X. Tang // European Conference on Computer Vision. – 2008. – P. 386-399. – DOI: 10.1007/978-3-540-88690-7_29.
  16. Sharda, R. Predicting box-office success of motion pictures with neural networks / R. Sharda, D. Delen // Expert Systems with Applications. – 2006. – Vol. 30. – P. 243-254.
  17. Ning, X. Rating prediction via generative convolutional neural networks-based regression / X. Ning [et al.] // Pattern Recognition Letters. – 2018. – In Press.
  18. Loureiro, A.L.D. Exploring the use of deep neural networks for sales forecasting in fashion retail / A.L.D. Loureiro, V.L. Miguéis, L.F.M. da Silva // Decision Support Systems. – 2018. – Vol. 114. – P. 81-93.
  19. The parallel dots image recognition service [Electronical Resource]. – URL: https://www.paralleldots.com/object-recognizer (request date 5.09.2019).
  20. EveryPixel aestetics service [Electronical Resource]. – URL: https://www.everypixel.com/aesthetics (request date 5.09.2019).
  21. Kim, P. MATLAB deep learning: With machine learning, neural networks and artificial intelligence / P. Kim. – Apress, 2017.
  22. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. – пер. с англ. – 2-е изд. – М.: ДМК Пресс, 2018. – 652 с.
  23. Рашка, С. Python и машинное обучение / С. Рашка. – пер. с англ. –  М.: ДМК Пресс, 2017. – 418 с.
  24. Коэльо, Л.П. Построение систем машинного обучения на языке Python / Л.П. Коэльо, В. Ричарт. – 2-е изд. – пер. с англ. – М.: ДМК Пресс, 2016. – 302 с.
  25. Шолле, Ф. Глубокое обучение на Python / Ф. Шолле. – СПб: Питер, 2018. – 400 с.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20