基于联合教学知识蒸馏与特征相关性的艺术风格分类研究

作     者：刘金 

作者单位：南昌大学 

学位级别：硕士

导师姓名：刘丽

授予年度：2024年

学科分类：13[艺术学] 1301[艺术学-艺术学理论] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：艺术图像风格分类 联合教学知识蒸馏 特征相关性 自适应加权 

摘      要：随着人们对精神和文化生活质量的需求日益增强,绘画、建筑、摄影等视觉艺术形式已经渗透到日常生活的每一个角落,成为不可或缺的重要组成部分。艺术图像风格分类不仅增强公众对不同艺术流派特征的认识,还推动艺术教育和研究的发展,同时为数字艺术和在线艺术平台的个性化推荐提供有力支撑。因此,运用计算机视觉技术来辅助非专业人士理解与鉴赏视觉艺术作品的风格变得愈发重要。然而,艺术图像风格分类存在很多挑战。首先,艺术图像作品的风格不仅体现在颜色、线条或形状等直观元素上,更体现在作品的深层次意象和情感表达中,这要求模型能够捕捉并理解艺术作品的深层语义。此外,由于艺术图像数据集的数量庞大且分辨率高,对计算资源和存储空间的要求较高,在资源受限的设备上难以部署。 为了解决上述问题,本文使用了一种基于联合教学知识蒸馏与特征相关性的艺术风格分类模型。该模型具有初始教师,专家教师和自适应加权格拉姆矩阵等三个核心部分,这些模块的协同工作使得模型能够有效的识别艺术风格特征。专家教师网络采用注意力图机制指导学生网络,帮助学生网络学习如何有效地处理和解析输入数据。同时,初始教师网络在与学生网络的共同训练中通过其阶段性输出逐渐引导学生网络,使学生网络拥有更优的学习路径,并通过L2约束防止学生网络过度模仿教师网络,进而保持学生网络的独立性和灵活性。此外,自适应加权格拉姆矩阵通过结合风格特征间的相关性,有效提高了模型对细微风格差异的捕捉能力,提高艺术图像风格分类的性能。 本文在三个公开的艺术风格数据集上进行了系统的实验,结果表明本文所提出的方法在艺术风格识别任务上展现出优越的性能。消融实验结果显示,模型中的每个模块都在提升整体性能方面发挥了重要作用。在Wiki Art、Multitask Painting100k和Pandora18k等三个公开艺术图像风格数据集上,本文所使用的方法的分类准确率分别达到了73.48%、72.26%和66.83%,均超过了现有的艺术图像风格分类方法,证明基于联合教学知识蒸馏与自适应加权格拉姆的艺术风格分类模型的有效性。