多特征融合提升抽象画情感识别效果

本文主要探讨了基于多特征融合的抽象画情感分析技术。抽象画因其寓意含蓄的特性，其情感表达往往难以直接明了地判断，因此研究如何准确地识别抽象画的情感成为一项挑战。研究者采取了一种创新的方法来解决这个问题。 首先，他们利用K-means聚类算法提取抽象画的主色调作为底层颜色特征，这种方法关注画面的整体色彩倾向，帮助理解画家可能的情感表达。接着，他们应用灰度—梯度共生矩阵来提取底层纹理特征，这种矩阵可以捕捉图像中的纹理模式，反映出画面的细节和质感，从而揭示潜在的情感元素。 进一步，他们利用深度学习技术——卷积神经网络（CNN），自动提取高层语义特征。CNN能够理解并学习图像中的复杂结构和语义信息，这对于抽象艺术作品中可能存在的隐晦情感具有重要意义。这些高级特征融合了图像的视觉和情感信息，提供了更全面的分析视角。 然而，由于底层颜色特征和高层语义特征的维度差异，传统的单一特征处理方法可能无法充分利用这些信息。因此，研究者引入了多核学习技术，这是一种能够处理高维异构数据的集成学习方法，通过结合不同特征间的内在关联，提高了特征融合的效果。 最后，他们采用支持向量机（SVM）作为情感识别器，将抽象画分为积极和消极两个情感类别。SVM以其在小样本分类问题上的优势，确保了情感识别的准确性。 在实验阶段，研究者选择了MART数据集进行测试，并将其结果与现有的情感分类模型进行对比。实验结果显示，他们的方法在抽象画情感识别的精度和效率上表现出显著的优势，这表明了多特征融合策略的有效性和实用性。 本文的研究工作不仅提升了抽象画情感识别的准确度，也为艺术情感计算领域提供了新的研究思路和工具。未来，这项技术有望被应用于更广泛的领域，如艺术欣赏、艺术治疗等，推动艺术与人工智能的交叉融合。