Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2017166137) METHOD FOR MULTI-TASK DEEP LEARNING-BASED AESTHETIC QUALITY ASSESSMENT ON NATURAL IMAGE
Latest bibliographic data on file with the International Bureau   

Pub. No.: WO/2017/166137 International Application No.: PCT/CN2016/077910
Publication Date: 05.10.2017 International Filing Date: 30.03.2016
IPC:
G06K 9/62 (2006.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
K
RECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9
Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62
Methods or arrangements for recognition using electronic means
Applicants:
中国科学院自动化研究所 INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES [CN/CN]; 中国北京市 海淀区中关村东路95号 No. 95 East Zhongguancun Road, Haidian District Beijing 100080, CN
Inventors:
黄凯奇 HUANG, Kaiqi; CN
谭铁牛 TAN, Tieniu; CN
赫然 HE, Ran; CN
考月英 KAO, Yueying; CN
Agent:
北京博维知识产权代理事务所(特殊普通合伙) BEIJING BOWEI INTELLECTUAL PROPERTY LAW CORPORATION; 中国北京市 东城区王府井大街99号世纪大厦A709 A709 Century Square, 99 Wangfujing Street Dongcheng District Beijing 100006, CN
Priority Data:
Title (EN) METHOD FOR MULTI-TASK DEEP LEARNING-BASED AESTHETIC QUALITY ASSESSMENT ON NATURAL IMAGE
(FR) PROCÉDÉ D'ÉVALUATION DE QUALITÉ ESTHÉTIQUE À BASE D'APPRENTISSAGE PROFOND MULTITÂCHE SUR UNE IMAGE NATURELLE
(ZH) 基于多任务深度学习的自然图像美感质量评估方法
Abstract:
(EN) A method for multi-task deep learning-based aesthetic quality assessment on a natural image. The method comprises: step 1, automatically learning about multi-task deep learning-based aesthetic and semantic features of a natural image (S101); and step 2, performing multi-task deep learning-based aesthetic classification and semantic identification on the automatic learning result to implement aesthetic quality assessment on the natural image (S102). The method more efficiently performs aesthetic quality assessment by assisting the expression and learning of aesthetic features using semantic information, and designs a plurality of multi-task deep learning network structures to more efficiently obtain a high-precision classification of an image using aesthetic and semantic information. The method can be applied to many fields related to aesthetic quality assessment of images, including image searching, photography, album management, and the like.
(FR) La présente invention concerne un procédé d'évaluation de qualité esthétique à base d'apprentissage profond multitâche sur une image naturelle. Le procédé comprend : étape 1, apprentissage automatique concernant des caractéristiques esthétiques et sémantiques à base d'apprentissage profond multitâche d'une image naturelle (S101) ; et étape 2, conduite d’une classification esthétique et d’une identification sémantique à base d'apprentissage profond multitâche sur le résultat d'apprentissage automatique pour mettre en œuvre une évaluation de qualité esthétique sur l'image naturelle (S102). Le procédé effectue plus efficacement une évaluation de qualité esthétique en facilitant l'expression et l'apprentissage de caractéristiques esthétiques au moyen d'informations sémantiques, et conçoit une pluralité de structures de réseau d'apprentissage profond multitâche pour obtenir plus efficacement une classification de haute précision d'une image au moyen d'informations esthétiques et sémantiques. Le procédé peut être appliqué à de nombreux domaines liés à l'évaluation de la qualité esthétique d'images, comprenant la recherche d'image, la photographie, la gestion d'album et similaire.
(ZH) 一种基于多任务深度学习的自然图像美感质量评估方法。该方法包括:步骤1:对所述自然图像进行基于多任务深度学习的美感和语义特征的自动学习(S101);步骤2:针对自动学习的结果,进行基于多任务深度学习的美感分类和语义识别,从而实现对自然图像的美感质量评估(S102)。该方法利用语义信息来辅助美感特征的表达学习,从而更加有效地进行美感质量评估,并且设计多种多任务深度学习网络结构来有效地利用美感和语义信息来获得高准确率的图像美感分类。该方法能应用于涉及图像美感质量评估的众多领域,包括图像检索、摄影学及相册管理等。
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: Chinese (ZH)
Filing Language: Chinese (ZH)