用可解释AI自动化风格分析与可视化——以品牌识别为例
计算机视觉与模式识别
2023-06-06 v1 机器学习
摘要
将风格相关目标纳入形状设计对于最大化产品吸引力至关重要。然而，诸如美感和语义属性等风格特征即便对专家也难以编码。因此，由于设计可描述性的挑战，算法风格捕捉与复用尚未充分受益于自动化数据驱动方法。本文提出一种AI驱动方法，全自动发现品牌相关特征。我们的方法引入BIGNet，一种两级品牌识别图神经网络（GNN）来分类和分析标量矢量图形（SVG）。首先，为应对矢量化产品图像的稀缺性，本研究提出两种数据获取流程：基于小曲线数据集的参数化建模，以及基于大像素数据集的矢量化。其次，本研究构建了一种新颖的分层GNN架构，从SVG的曲线级和块级参数中学习。在第一个案例研究中，BIGNet不仅分类手机品牌，还跨多尺度捕捉品牌相关特征，如镜头位置、高宽比和屏幕-边框间隙，并经AI评估确认。在第二项研究中，本文展示了BIGNet从矢量化汽车图像数据集学习的泛化能力，并在四种场景下验证其预测的一致性与鲁棒性。结果符合汽车市场中常见的高端与经济型品牌差异。最后，本文还可视化了卷积神经网络生成的激活图，并展示了BIGNet作为更人性化、可解释和显式的风格捕捉代理的优势。代码与数据集可在Github找到：1. 手机案例研究：github.com/parksandrecfan/bignet-phone 2. 汽车案例研究：github.com/parksandrecfan/bignet-car
引用
@article{arxiv.2306.03021,
title = {Automating Style Analysis and Visualization With Explainable AI -- Case Studies on Brand Recognition},
author = {Yu-hsuan Chen and Levent Burak Kara and Jonathan Cagan},
journal= {arXiv preprint arXiv:2306.03021},
year = {2023}
}