在美学质量预测学习中考虑用户一致性
计算机视觉与模式识别
2021-10-15 v1 人工智能
摘要
如何鲁棒地对给定图像的美学质量进行排序是一个长期存在的病态问题。该挑战主要源于不同观测者对不同类型内容多样的主观意见。通过考虑评分的标准差来估计用户一致性，而非仅预测平均美学意见分数，正引起越来越多的兴趣。然而，在比较一对内容时，很少有研究考虑我们对美学分数差异的确信程度如何。因此，本文提出（1）一种重新适配的多任务注意力网络，以端到端方式同时预测平均意见分数与标准差；（2）一种全新的置信区间排序损失，鼓励模型关注那些对其美学分数差异较不确定的图像对。借助该损失，模型被鼓励学习与观测者意见多样性（即用户分歧）相关的内容不确定性进行学习。大量实验表明，所提出的多任务美学模型在两类不同的美学数据集（即AVA和TMGA）上取得了最先进的性能。
引用
@article{arxiv.2110.06956,
title = {Considering user agreement in learning to predict the aesthetic quality},
author = {Suiyi Ling and Andreas Pastor and Junle Wang and Patrick Le Callet},
journal= {arXiv preprint arXiv:2110.06956},
year = {2021}
}
备注
5 pages