图像美学属性评估
本研究通过构建一个新的图像属性数据集 AMD-A,设计外在属性特征来融合,提出了一种高效的混合多属性图像美学属性评估方法,并利用 EfficientNet-B0 作为骨干网络构建了一个多任务网络体系结构,能够实现美学分类、总体评分和属性评分。实验结果表明,我们提出的方法能够有效提高美学整体和属性方面的表现。
Jul, 2022
本文介绍了如何通过使用基于网站提供的图片和嘈杂的评论的自动清洗策略创建一个用于美学图像标题生成的基准数据集(AVA-Captions)。同时,还介绍了一种概率的标题过滤方法,以及利用美学属性间的潜在关联性进行卷积神经网络(CNN)特征提取器的训练的策略。该策略是弱监督的,并可用于学习丰富的美学表示,无需昂贵的标注。最后,文章通过自动度量和主观评价展示了所提出贡献的全面分析。
Aug, 2019
本研究提出了一种考虑多个审美属性的多任务卷积神经网络,在预测图像整体审美得分方面具有超越同类方法和接近人类表现的优势,并且相对于文献中现有多任务神经网络,具有更高的计算效率。
May, 2023
本研究旨在学习使用卷积神经网络,应用深度学习技术自动评估照片美学排名,基于深入剖析其有意义的摄影属性与图像内容信息来规范复杂的照片美学评分问题,通过新提出的采样策略,从多个人类评分者分配的美学得分次元数据集中提取信息,提高了算法的一致性与鲁棒性,实验表明,该模型可使美学排名更符合人类评分标准,并成功在现有 AVAdatabase 基准测试中实现了最先进的图像分类性能
Jun, 2016
提出了一种基于深度卷积神经网络的多任务自动照片美学评估方法,在预测总体美学评分的同时联合学习了八个美学属性,并通过梯度反向传播可视化方法,展示了学习到的模型所代表的属性的重要图像区域。
Jul, 2017
该研究介绍了一个专门为绘画领域而设计的多属性、多类别的数据集 APDD,其中包含 24 个艺术类别和 10 种不同的审美属性。同时,提出了一种名为 AANSPS 的创新方法,用于评估混合属性艺术数据集中的审美属性。该研究的目标是促进绘画和素描审美评估领域的发展,丰富现有的资源和方法论,以进一步推动该领域的应用和发展。
May, 2024
本文提出了一种基于多任务深度模型的自动审美质量评估方法,其中将语义识别任务作为解决自动审美质量评估和语义识别相关问题的关键。该方法基于卷积神经网络,通过一个简单的多任务框架,同时利用美学和语义标签进行监督学习,通过引入任务间关系学习的相关项,进一步提高了审美任务的评估精度。经过对 AVAdataset 和 Photo.netdataset 的实验验证,证明了多任务深度模型在发现有效美学表示方面的重要性,并取得了最先进的结果。
Apr, 2016
为了更深入地认识审美,本文提出了一种神经审美图像审阅者模型,可以不仅为图像提供审美评分,还能生成解释评分原因的文本描述。通过多任务学习,该模型可以评估审美图像并以端到端的方式产生评论。研究结果表明,该模型在 AVA-Reviews 数据集上具有优异的表现,可以与人类视觉感知相一致。
Feb, 2018