文摘

如何有效地提高美术教学的有效性一直是一个热门话题被社会各界关注。特别是在艺术教学中,情境互动有助于提高美术课的气氛。然而,很少有尝试定量评估水墨画的美学。水墨画表达图像通过墨语气和中风的变化,这是明显不同于照片和绘画在视觉特征、语义特征和审美标准。出于这个原因,本研究提出了一种自适应计算为水墨画审美评价框架基于情境交互使用深度学习技术。框架提取全局和本地图片作为多个输入根据水墨画的审美标准和设计一个模型命名MVPD-CNN提取深度审美特征;最后,一个自适应构造深层审美评价模型。实验结果表明,我们的模型具有较高的审美评价性能与基线相比,和提取的深层审美特性明显优于传统的手工设计特点,及其适应性评价结果达成皮尔逊0.823与手册审美的高度。此外,艺术课堂模拟和干扰实验表明,我们的模型是高度耐干扰和更敏感的三个绘画元素组成、油墨颜色和纹理在特定成分。

1。介绍

目前,大型师生比率在大学艺术教室,强相互作用的存在,即,between individual teachers and groups of students, and the high frequency of drawing exams have led to problems in art teaching and art classrooms [1]。绘画考试的困难不利于艺术课堂的发展与提高学生的绘图质量的主要目的。追求教学有效性是教学的本质,和学习也是教学课程改革的本质,这是实现教育内涵发展的必然要求。然而,在当代学校教学实践,仍然有问题,老师教,学生不学习,教学质量是平庸的2,3]。因此,提高课堂教学的有效性已经成为当前课程与教学改革的核心话题,和有效的课堂教学策略的研究是解决这一挑战的一个关键因素。经过不断的探索和研究,作者了解到有效教学理论已广泛应用于各种学科和教学取得了意义的结果(4),和一个有效的和有效的教学模式已经成形。针对这一点,它还必须促进美术教学的有效性。

有许多问题在艺术教室;例如,艺术教师在许多国家相对较弱,很难开发后更专门的艺术课程培训计划,和学校缺乏关注这方面的课程应用程序(5]。同时,艺术教师需要管理大量学生同时无法判断每个学生完成了质量和数量的方式运动。例如,在一个学期的艺术课程在大学学习,教师带领学生练习,并在正常情况下,学生不能记住和画准确,和随后的注意力的缺乏使得他们自己的课程项目(有限6]。学生急于研究结束时的实际测试,其结果列举了画画,甚至画内容大致完成(7]。此外,一些大学艺术课程缺乏有效的教学方法来提高学生的绘图能力。一般来说,四年的专业通常设立了两年的艺术课程。在此期间,学生的绘图能力很低,甚至不符合测试标准,因为他们并没有形成良好的绘画习惯(8,9]。

传统艺术培训课程太无聊,不能激发学生的兴趣。例如,水墨画是中国传统绘画艺术的典型代表,它创建一个层次通过墨水和水干和湿油墨颜色的语气和绘画的变化,如五彩缤纷的艺术效果和较高的审美价值10]。传统的水墨画审美评价只能定性描述的鉴赏家,结果是主观和不确定的。此外,水墨画图片在互联网上存储的数量是如此之大,它是不切实际的邀请少数高素质专家来评估他们手动一个一个地。如果他们可以通过计算机在一个有效的定量评价和自动方式,它将帮助初学者评估他们的作品的美学的过程中学习水墨画,这对水墨画教学具有十分重要的意义,也有应用前景领域的先进的水墨画检索和推荐显示数字中国画艺术画廊(11]。深度学习的帮助下,可以实现学生的表现的作品基于情境交互,如相对无聊的水墨画,和指导学生的兴趣绘画通过深度学习评价机制。

计算美学,另一方面,只出现了一个研究方向,近年来,尽管计算机可以模拟人类视觉系统和审美思维和自动做出可行的审美决定相关的应用程序。当前的大部分工作已经完成了照片和西方绘画为研究对象,基于图像审美评价数据集(12,13),或手动设计视觉特征(13近年来,使用深卷积神经网络自动提取高层次的审美特征(14),而后者取得了优越的性能在审美分类和评估任务,但它们不能完全应用于定量审美水墨画在水墨画的定量评估。此外,水墨画的审美属性相同的主题有所不同根据他们的内容,很难一个审美模式应用于所有主题类型。大部分的现有方法培养独立的审美模型基于特定类型的场景或先验知识,它有一定的场景限制(15]。

为了解决上述挑战,本研究提出了一种基于深度学习美学自适应量化评估方法,以传统水墨画艺术教学为研究对象,结合其与艺术专业欣赏理论。MVPD-CNN旨在提取深层审美特征基于水墨画的审美特征和自适应图像块作为多个输入,以便更好的捕捉和量化的美感信息墨水颜色,画笔描边,和组成不同的科目在水墨画16]。我们也建立一个适应深度对水墨画审美评价模型根据主题内容的查询机制。

此外,在应对当前形势下高校美术教学的有效性低,使用深度学习辅助美术教学。首先,美术教学有效性的内涵和意义进行了分析。实验结果表明,艺术的审美评价教学基于人工智能可以显著提高学生的绘画能力、耐力和敏感度。人工智能的应用在大学艺术学院艺术教学实现多样化和多功能性教学管理方法,这是重要的建立一个新的教学方法,是真正适合现代艺术教学。

2。相关工作

2.1。在艺术教学中硬件支持

传统电子设备如摄像机和投影仪是最常见的电子手段应用于现代教育,和这些设备也用于艺术教育(17]。例如,教师可以使艺术知识更生动的图片和视频。在音乐教育中,例如,与传统的电子设备的帮助下,学生可以学习知识更加系统和快18]。这种类型的教育可以提高学习者的兴趣,教更多的内容在一定的时间和提高教师的工作效率。的目的探索人工智能在美术教学中的应用是目前艺术知识,学生以更直观的方式,创造一个更好的学习氛围,展示设计作品,艺术和科技结合起来,帮助学生进入世界的艺术家的作品,让学生真正沉浸在伟大的艺术家的杰作,打破时间和地点的限制,并允许观众观察艺术作品的细节以更直观的方式(19- - - - - -21]。然而,由于人工智能在美术教学硬件设施的缺乏,很难达到预期的教学效果和教学艺术的目标。

2.2。在美术教学软件支持

目前常用的计算机辅助教学(CAI)综合利用多媒体、超文本、人工智能、网络通信、知识库,和其他计算机技术来克服传统美术教学的缺点在一个单一的,片面的教学环境(9,22,23]。它能有效地缩短学习时间的艺术教育,提高教学的质量和效率,实现最优的教学目标。例如,有自适应学习系统的大学教师和学生;有教材可以与学生互动,改变课程内容基于他们的答案随机测试;有智能教学材料定制学生个人需求;有情况下,界面更适当地设计基于图像分析来提高用户体验,等等。6,24,25]。虽然传统CAI可以提高学生的学习效率和动力在某种程度上,然而,它并不完全理解学生的学习情况,不能定制,不能保证每个学生都能积极参与教学。因此,如果我们想让学生更积极地参与到教学过程中,如果我们想收集个别学生的学习情况,给不同的指令通过人机交互,那么我们应该把多媒体技术与人工智能技术的突破为现代化教学提供更强大的技术支持(26]。

2.3。艺术教学模式

目前,基于ai艺术高校教学模式主要是教艺术教学内容借助互联网技术和在线平台(27]。在这个过程中,各种教育应用程序和在线教育网站出现,如大规模网络公开课(蕴藏),microlecture在线视频,翻转教室,教室,教室和腾讯(14,28,29日]。这种教学模式创新互动教学的认知过程,支持多种功能,如游戏,停止,和缓慢的,使学生利用零散的时间来学习和有效控制的学习速度30.];同时,它突破限制的位置,有效地解决了传统线下教学模式的弊端,并极大地提高了教师的利用率(31日]。然而,这种艺术教学模式忽略了经验和整体自然强调艺术教学中,特别是在大量的学生,艺术教师和学生只能在一对一的教导和学习艺术知识格式,不能为学生提供一个艺术教学气氛(32]。此外,由于人工智能技术不够成熟,基于人工智能的艺术教学模式不能满足智能教学的要求,导致脱节现代艺术教学的概念和智能教学模式。

2.4。人工智能为艺术教室建设

人工智能(AI)技术可以自动执行数据处理(8,33]。处理和判断来自外部数据源的数据。AI依赖于计算机系统,目前机器学习,心理学,等等。。有很多讨论引入一些人工智能应用程序在大学艺术教室,其中苹果是许多应用程序之一。这些系统在大学教室的建设和改革主要集中在提高学生的学习兴趣,改革艺术教学内容相对简单,和这些教学方法的出现基本上是针对学生,这并不有利于提高教师的教学效率(11,28]。基于上述,本文改进了现有的教室图的基础上1并提出了一个更可靠、高效和操作计算机辅助教学系统,可应用于体育运动,跳远,和其他艺术场馆,组成的人工智能计算机系统,人机界面,等等,管理终端显示设备,场地传感设备,场地促使设备,和无线传感促使设备,如图1。

AI美术教学完全颠覆了传统的教学模式,主要改变教育资源的结构、教学反馈和评估机制成为一个智能的教学方法(34]。通过人工智能平台,教师和学习者准确地连接,形成一个新的多级,广域和多方面的AI艺术教学体系。教育资源和教学大多是建立在数字化的基础上,更强调资源的多样性和以。值得我们注意的是,AI美术教学是建立在无数的AI设备和大型数据处理中心。它离不开技术支持和环境建设,但是它所提供的教学服务是聪明的,小说,聪明,和先进的35]。

3所示。MVPD-CNN

3.1。网络基础设施

在这项研究中,水墨画的审美得分的任务是代表作为预测的回归建模问题连续得分。输入图像表示为水墨画 ,和深CNN复杂构造自动学习回归映射函数 预测的审美得分 。考虑到水墨画训练样本 ,其中N是训练集的大小,是人工基准分数,W是网络模型参数的设定。整个网络通过最小化欧几里得回归损失函数进行了优化。 在哪里表示重量衰变正规化;表示普通强度系数。为了克服过度拟合问题的小数据集,水墨画VGG16 pretrained模型(10,36]在ImageNet [17,37移民)用作基线网络学习,如图2和网络结构由13卷积完全连接层和3层,修复前12卷积的结构层,同时调整其他层如下。步骤1:设计主题卷积层替换原始的13层网络。主题层由六个平行组卷积网络(64回旋的内核),用于提取六个不同主题的审美描述符在水墨画:花、鸟、草和昆虫,虾和螃蟹,水果和蔬菜,动物,风景,和人。这一层的输出连接到第一个完全通过平均池连接层,使网络具有鲁棒自适应学习能力不同的水墨画的主题。步骤2:取代过去的1000 -维分类概率完全连接层与回归层包含1神经元预测漂亮的分数,和替换将softmax损失一层一层与欧几里得的损失最终的输出。步骤3:前两个完全连接层的神经元数量减少,从4096年到512年和256年,因此减少了参数的数量,防止过度拟合,层叠和促进功能。修改后,整个网络基础设施如表所示1。

为了更有效地提取审美特征根据不同的话题,水墨画pretraining方法是用来初始化模型。网络参数的初始化阶段,pretrained权重的前两个卷积VGG16模型的层是固定的初始化参数对应的层网络中,同时,为13卷积层,每个卷积组单独调整相应的主题,使用训练数据和相应的网络权值更新(15]。当所有团体训练,每组训练重量是初始化的水墨画主题并行卷积层,从而确保每个主题类别都有自己的相应的神经元激活。剩下的两个完全连接层和回归层参数随机初始化。

4所示。多视图平行深CNN

水墨画的美感需要考虑整体和局部的角度;例如,山水画关注的“五个字符的方法”和“远法”在整个组合,虽然有空白和稀疏分布的对比在当地12,22]。在本文中,我们设计一个深CNN并行体系结构与多视点,如图3。全球不同的表达式是首先提取图像根据美学标准和水墨画的基本结构,和图像块自适应选为多个输入;然后每个输入与特征提取合并通过统计各自VGG16网络聚合结构;最后,输出级联的全局和局部特征进行审美的预测。

具体来说,我们设计了如图的模型3:首先,输入,同时输入两个模块,图像的全局视图的查询,和本地视图特性自适应选择;在全局视图模块、模块表示、存储表示,分别操作和组合表示,然后输入相应的对应VGG16;同样的,本地视图模块输入自适应地选择p的形象。同样,自适应地选择p从图像输入到相应VGG16本地视图模块,然后输出VGG16全球和本地模块的每个通道缝合在一起,然后这些VGG16针统计汇总,然后是开采深度特性预测的总体模型。

4.1。水墨画全球和本地视图输入

全局视图输入,在墨水颜色,水墨画表达通过对比有色墨水中风和空白,和灰暗的强度的变化和阴影。这里,原始的水墨画,HSV地图的H和S通道(7),选择灰度图作为输入;笔触,图像的小波系数包含丰富的能源信息,可以捕捉当地的信息的细节水墨画中风和典型的笔触的纹理特征。摘要Daubechies层的小波系数矩阵输入1作为纹理,组成,图像中每一个元素的空间分布结构的分析计算,分析了凸起的水墨画,地图和原始图像分割成几个均匀区域使用SLIC [14,29日]super-pixel分割方法1,如图4(一),紧随其后的是直方图网络提出的方法(29日]。计算灰度特点映射如图4 (b),亮区域的意义价值越高,更重要的是在审美视野。

为本地视图输入,水墨画是表示为裁剪图像块的集合,在那里米表示的图像块的数量。不同于随机裁剪方法,本文采用自适应策略提取最多的图像块在水墨画审美感知信息,用以下标准:卓越检测能突出视觉图像的重要区域,显著地图是用来选择最知名的和有益的地区形象;水墨画的重要审美细节表达通过不同主题之间的关系和背景,所以图像块内的模式的多样性是保证;不同的图像块之间的空间距离的限制,因此图像块之间的重叠尽可能小。因此,水墨画的图像块的选择被认为是一个优化问题,目标函数是定义。 在哪里表示每个中心最优图像块的坐标,表示每个图像块的规范化的意义价值 ,和和表示模式距离函数和欧几里得空间距离函数,分别。本文用多元高斯模型每个图像块模式,也就是说, 在哪里和代表中风边缘分布和阴影浓度分布的图像块,分别距离模式是用来测量两个图像块之间的区别。图5显示了若干图像块提取的结果与自适应选择策略,都是224224年3所示。该方法不仅有效地选择最突出的区域(例如,鲜花、枇杷、和鸟类),但也捕捉到了模式多样性不同学科之间的水墨画和离开白背景(例如,树干和风景,树枝和树叶和草,和昆虫)。

4.2。统计聚合结构

统计聚合结构是用来把每条路径的特点通过VGG16网络的输出。以当地的图像块为例,输出的图像块的集合特性VGG16网络集团是由 ,在哪里是一个k维向量, 用于表示所有k组件的集合,和⊕用于表示向量级联操作。统计层由一个统计函数 ,和输出级联 这集是完全连接层产生的聚合 - - - - - -维特征向量。整个结构函数表示为 在哪里 是完全连接层参数,统计聚合结构的 如图6, 在实验中设置。

5。人工智能在艺术教学的应用程序性能分析

测量的有效性AI的应用在现代美术教学中,必须分析其应用的效果。遵循科学的原则、客观性和相关性,本研究中,通过专家咨询,选择一些指标如艺术教学模式,艺术教学方法、教学内容、艺术艺术课堂教学氛围,艺术教学手段和艺术教学效果分析人工智能在艺术教学的应用程序的性能和结构性能指标的权重判断矩阵通过专家评分方法如下:

使用AHP方法(7,18,22),权重的序列对应于上述性能指标是派生的

对于一个给定的性能分析对象 ,其初始值相对于性能指标j是 ,如果指标是正的,其值,归一化后, 。 在哪里是指标的最大值j的P对象和是指标的最小值j的对象。

专家咨询后,应用程序的性能的人工智能在现代艺术教学分为水平和灰色聚类函数的性能指标的程度上的应用程序的性能 - - - - - -th水平 ,在哪里 的转折点吗 ,也就是说,

特别是,如果 ,然后灰色聚类函数的下界度规,也就是说,

如果 ,然后是一个灰色聚类介质测量的函数,即

如果 ,然后灰色聚类函数的上限标准,也就是说,

然后,对于P对象,加权灰色关联每一个指标的th性能程度

如果满意

的表现程度对象是最接近我th性能程度;即。,the gray performance degree of对象是我。

6。实验结果

6.1。艺术课堂模拟实验和分析的结果

首先,PGPE方法的艺术课堂情境交互方案MVPD-CNN说明结果图。状态空间是一个一维的连续空间的初始状态服从标准正态分布,和行动空间也是一维连续空间(19]: 在哪里 是噪音。 用于定义高斯分布。最后,奖励函数被定义为

我们四个算法相比,包括拟议中的一个:根据MVPD-CNN PGPE:我们的简单方法PGPEOB: PGPE方法最好的基线R-PGPE: PGPE方法在本文中只包含变异规律

我们首先讨论策略参数如何变化。在本节中,更新轨迹研究了三种不同的参数设置不同的起始位置(平均参数−1.6−1.0,−0.4−0.1)。同时,参数τ是放置在1和10轨迹样本收集每个策略迭代过程。如图7(一),可以看出纯PGPE方法不能更新参数的最大增益地区20迭代,和至少一个轨迹R-PGPE达到目标(如图7 (b)),从而证明了方差正则化方法的有效性提出了。图7 (c)说明了PGPEOB可以更新方向相对可靠。然而,仍然有一些不稳定。图7 (d)表明,我们的方法得到最佳的性能在四个方法。

可以观察到在图8R-PGPEOB方法提出了可以控制优化过程朝着一个更好的策略。我们平均每个方法的结果表示为20分。在每次运行策略参数迭代50次。在每个迭代中,我们收集两个轨迹数据来估计目标函数的梯度。我们的方法执行最好的四种方法进行比较。如图8,我们的方法可以得到更稳定的结果。我们介绍了学习策略模块到水墨画呈现引擎。图9说明了数字媒体艺术创作的一个示例基于虚拟现实和人工智能。结果在图8结果表明,我们的方法可以代表真正的艺术创造。同时,人工智能算法的应用程序后,我们的方法的结果会更加真实,和数字媒体可以产生艺术作品更符合实际的结果。

6.2。绘画艺术的审美评价

在本文中,所有的网络训练和测试都通过TensorFlow框架(9,23),最初的学习速率为0.001和减少10倍每10轮,衰变速率的重量和0.9的动力。摘要1200年作品被扩大到2400年的作品水平映射更改,之后,所有的工作都是随机分为5组480草图;(5倍交叉验证方法16,24使用),4组训练样本和1组测试样本,和平均值模型的最终结果在使用随机梯度下降的方法。该模型使用随机梯度下降法训练,和第二个实验后的平均值是最终的结果。对模型性能评估,测试集选择,意味着皮尔逊相关系数(Rp /团体。)12,24)和均方误差(MSE)计算预测和手动评估分数之间的审美模式,sig,在哪里 - - - - - -价值,代表假设检验的意义和更高的Rp和团体。< 0.05意味着模型是统计上显著相关;和均方误差越小,预测误差越小,模型的性能就越好。本节将比较平行深CNN的性能与不同的基础设施和多视图输入和分析的预测性能自适应基于主题的美学模型查询。

6.3。模型性能在不同的体系结构和视图输入

首先,我们比较美学评价性能的单列深CNN网络水墨画具有不同基础设施用水墨画的原始图像作为单一视图输入,如表所示2。其中,研究进展表示原始VGG16网络结构,Arc2表示VGG16网络结构只有两个完全连接层的神经元数量没有减少一个主题层、和Arc3表示VGG16修改13卷积后网络结构层为六组平行话题卷积(基础架构中使用这个模型)。可以看出Arc3架构下的模型具有较高的平均Rp (Sig。< 0.05)和较低的平均均方误差与其他结构相比,因此具有更强的审美评价水墨画的性能。这表明,用更少的网络参数、网络架构和摘要迁移学习策略可以充分利用一般的审美特征,如边缘颜色的浅层pretrained模型,同时结合自适应主题卷积组和回归损失层有效地捕获不同水墨画的专门的美学元素主题。

在此基础上,本部分比较的预测性能MVPD-CNN水墨画审美观念的不同的角度输入和比较它与以前的传统方法,如表所示3。检查看看深度学习方法的有效性,使用手动MVPD-CNN一些模型的性能设计特性,如AVA4和提出的线性回归模型29日),而作为基准。可以看出,所有深度学习功能的审美评价性能明显优于hand-designed特性,从而为定量验证深度学习的有效性水墨画的审美评价。这种性能优越源于深层神经网络提取高层的能力直接从原来的水墨画审美语义特征基于手动评分训练数据。

此外,本部分还比较MVPD-CNN模型与现有的一些照片美学评价模型,如RAPID15 DMA-NET31 MSDLMII,结果如表所示3。可以看出MVPD-CNN模型明显优于上述方法在水墨画审美预测。结果进一步验证MVPD-CNN模型的有效性;特别是自适应选择策略可以有效地提取显著区域最审美感知的信息之间的水墨画和可以捕获模式多样性水墨画主题和白色背景不同,例如,笔触之间的对比和固体之间的反差形成的空白和空虚,对比颜色和油墨,运动与静止之间的对比。

最后,这个部分比较了模型预测性能不同观点下输入Arc3架构,在SCNN-Arc3表示VGG16模型尺度224年的原始图像到一个固定大小的224年3作为单个输入和MVPD-CNN-global MVPD-CNN-local表示并行网络模型与全球形象和自适应局部图像块MVPD-CNN-global与全球形象和MVPD-CNN-local代表并行网络模型和自适应局部图像块作为输入,分别,MVPD-CNN-hybrid代表并行网络模型融合全局和本地视图输入。实验结果表明,三种多路并行网络模型的预测性能MVPD-CNN-global, MVPD-CNN-local,和MVPD-CNN-hybrid优于单一输入SCNN-Arc3模型,而MVPD-CNN-hybrid模型具有更高的平均 和较低的平均均方误差相对于其他单一视图模型。MVPD-CNN-hybrid模型有更高的意思 和较低的平均均方误差比其他单一视图模型,从而有更高的性能在水墨画的审美评价。这表明该模型可以从两个角度提取水墨画的审美特征:整体布局信息和局部细节。

6.4。自适应深层审美模型的性能分析

进一步验证自适应模型的预测性能,自适应的大小subtraining在检索过程中设置设置为50,和深度的审美特性提取MVPD-CNN-hybrid被训练使用SVR与人工评价分数,以及由此产生的审美评价模型是用 。该模型的性能与MVPD-CNN-hybrid如表所示4。可以看出 具有较高的Rp和MSE MVPD-CNN-hybrid相比,低和平均 ,和皮尔森的高度之间的显著相关性模型评价结果和手动审美分数达到0.823。这表明自适应模型可以有效地捕获的影响不同的主题内容的审美标准的水墨画,和深度的审美特性的模型有较高的预测性能计算水墨画的审美评价。

比较一些水墨画的图像显示相反方向的美感评估得分图所示10。其中,在最上面一行工作具有较高的审美感知得分,而在底部行美感得分较低。图中的值表明自适应审美深度模型可以描述和预测在水墨画审美属性,并与人类的美感。此外,水墨画图像在墨水第一行有更多的自然变化强度和阴影,更顺利,更有序的笔触,更和谐的干态和湿态对比,更好地理解空间的整体布局形象而最后一行。由不同的艺术家审美标准的灵活的应用程序在不同形式的表达导致了一个非常不同的风格的水墨画。这些作品有很大的偏离一般的审美准则最相应科目的数据集和很容易评估模型具有审美的得分越低,但这些著名的国画大师的作品手动评估具有较高审美分数因其极高的艺术价值。水墨画表达的抽象风格的主要因素,导致大量误判水墨画审美评价的工作,和图11显示了一些样品和大偏差评估得分。

另外,本节进一步比较了线性回归模型基于人工设计的性能特性,多视图平行MVPD-CNN-hybrid深度学习模型和自适应基于主题的深层审美模型查询。水墨画的审美预测性能在6类主题图所示12。图中显示, 显著并持续优于其他2模型的6类,从而进一步证明MVPD-CNN所学到的审美特征的有效性。

6.5。深层审美模型灵敏度分析

进一步揭示深层审美模型的可解释性,中国画三个重要元素,组成、油墨颜色,纹理是实验干扰,灵敏度的CNN响应测试对这些因素的变化。

首先,100个小方格大小从10×10到50×50像素随机选择和蒙面水墨画在任何位置图像,从而干扰整体布局,如图13对应于蓝线,如图所示的性能结果12。可以看出,模型预测结果之间的相关系数和手动评分衰减迅速,布局干扰的增加,这表明深层审美空间布局模型更敏感。

其次,不同的灰度系数将干扰整体颜色水墨画图像的规模,范围从0到1,和接近0,较暗的图像,如图14。可以看出,相关系数随规模的增加颜色干扰的灰度系数减少,表明该模型对水平的变化更敏感的墨水灰度。

最后,不同级别的高斯噪声被添加到水墨画图像干扰纹理,和更大的方差参数年代粗糙的图像,和相应的性能结果绿线所示图吗15。可以看出,随着方差的增加,相关系数逐渐降低噪音的增加,表明审美深度模型对一笔质地更加敏感。

7所示。结论

有效地提高高校美术教学的有效性已成为一个热点话题的最大担忧。小的工作已经完成审美水墨画的定量评估。在本文中,我们提出一种自适应计算为水墨画审美评价框架使用深度学习技巧。框架首先构造一个基准数据集对于水墨画的审美评价的图像,然后提取全局和局部图像块作为多个输入根据水墨画的审美标准,并设计了多视图平行深卷积神经网络提取深刻的审美特征。实验结果表明,这个模型提取的深度的审美功能明显优于传统hand-designed特性。本研究不仅为计算提供了一个参考框架基于深度学习的艺术审美评价,但也提供了一个更重要的参考和引用基于ai的高校美术教学的有效性。

数据可用性

使用的数据来支持本研究可从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。