一种通用的图像吸引力排序框架
计算机视觉与模式识别
2019-03-15 v3 信息检索
机器学习
摘要
我们提出一种利用新颖的成对深度网络对图像吸引力进行排序的新框架，该网络以来自网络图像索引的大量并排多标签图像对训练。评判者仅需提供两幅图像间的相对排序，而无需直接赋予绝对分数或评价任何预定义图像属性，从而使评分更直观准确。我们研究了一种深度吸引力排序网络（DARN），即深度卷积神经网络与排序网络的结合，以直接学习每幅图像的吸引力分数均值与方差，以及评判者标注每对图像所依据的标准。该模型的扩展（DARN-V2）能够适应单个评判者的个人偏好。我们还展示了在真实商业搜索引擎中利用该吸引力信息可显著提升搜索结果吸引力。我们在并排网络测试数据及另一公开美学数据集上与其他SOTA模型进行了评估。以少得多的标注量（1M对比50M），我们的模型在并排标注数据上优于其他模型，在绝对分数标注数据上表现相当。
引用
@article{arxiv.1805.00309,
title = {An Universal Image Attractiveness Ranking Framework},
author = {Ning Ma and Alexey Volkov and Aleksandr Livshits and Pawel Pietrusinski and Houdong Hu and Mark Bolin},
journal= {arXiv preprint arXiv:1805.00309},
year = {2019}
}
备注
Accepted by 2019 Winter Conference on Application of Computer Vision (WACV)