随着人们生活水平的提高和艺术鉴赏水平的提升,越来越多的人投入到艺术图像创作、收藏之列。同时大数据、人工智能等新一代信息技术的发展,也使得艺术创作手法更加多样,艺术风格更加丰富。然而面对日益增多的大量艺术图像,目前的分类管理工作主要由专业人员手动实现,人力、财力成本较大。因此,研究如何对各类艺术图像进行高效准确的分类,以帮助用户筛选更加符合需求的图像具有重要意义。针对艺术图像高效快速分类的需求,本文以版画、国画、油画、水粉画和水彩画为研究对象,提出一种基于双核压缩激活神经网络的艺术图像分类算法并进行了系统实现。本文的主要工作由以下三部分组成:(1)艺术图像分类算法提出。为了充分提取5类艺术图像整体风格特征和局部细节特征,本文提出一种双核压缩激活模块DKSE(Double Kernels Squeeze and Excitation),模块中不同大小卷积实现对图像整体特征与局部细节特征的提取,压缩与激活操作实现对主要特征增强,无关特征抑制的处理,并使用DKSE模块与深度可分离卷积搭建深度卷积神经网络,实现对5类艺术图像的分类。本文算法可有效提取艺术图像的整体特征与局部细节特征,对艺术图像分类的准确率达到87.58%。(2)本文算法有效性验证与分析。首先通过实验验证了算法中图像数据增强操作对分类结果的影响,验证了双核压缩激活模块中的参数对模型分类结果的影响,并得到一组合理的配置参数;然后使用 Grad-CAM(Gradient-weighted Class Activation Mapping)算法对网络模型所关注的图像特征区域以热力图形式实现可视化,从而说明本文算法特征选取的有效性;对双核压缩激活模块进行改进,改进后的模块使网络模型训练时间减少,准确率得以提高。最后使用本文网络模型与其他网络模型分别对3类、4类、6类艺术图像进行分类训练,验证图像类别数对网络模型分类性能的影响。实验结果显示,与其他主流网络模型和传统分类算法进行比较,本文算法的艺术图像分类准确率高于目前主流的卷积神经网络模型,与传统艺术图像特征提取方法相比,不依赖研究人员提取图像特征,提取的特征更加全面,准确率更高。(3)艺术图像智能分类系统设计与实现。系统采用B/S架构,并使用Python+Django框架搭建而成。在实际使用时,用户上传待分类的艺术图像到服务器端,服务器端将基于本文算法分类出来的结果实时返回到前端,后端网络模型算法从接收图像到返回分类结果所用时间在1.4s左右。