通过总体评分标签学习预测多种美学属性集的得分
计算机视觉与模式识别
2023-12-07 v1
摘要
如今许多手机嵌入了用于摄影评估或指导的深度学习模型。这些模型由于相应的美学属性数据稀少，无法提供诸如人体姿态分数或场景颜色分数等详细结果。然而，图像美学属性分数的标注需要经验丰富的艺术家和专业摄影师，这阻碍了大尺度全标注数据集的收集。本文中，我们提出以特征提取器替代图像属性标签。首先，提出一种基于属性特征的新颖美学属性评估框架，用于预测属性分数与总体分数。我们称之为 F2S（属性特征到属性分数）模型。我们使用来自不同任务的网络为我们的 F2S 模型提供属性特征。然后，我们定义一种美学属性贡献来描述美学属性在整个图像中的作用，并将其与属性分数和总体分数一起用于训练我们的 F2S 模型。在公开可用数据集上的充分实验表明，我们的 F2S 模型与那些在具有全标注美学属性分数标签的数据集上训练的模型性能相当。我们的方法使得仅利用总体美学分数，为不同类型图像中的各种美学属性集学习有意义的属性分数成为可能。
引用
@article{arxiv.2312.03222,
title = {Predicting Scores of Various Aesthetic Attribute Sets by Learning from Overall Score Labels},
author = {Heng Huang and Xin Jin and Yaqi Liu and Hao Lou and Chaoen Xiao and Shuai Cui and Xinning Li and Dongqing Zou},
journal= {arXiv preprint arXiv:2312.03222},
year = {2023}
}