論文の概要: Unveiling The Factors of Aesthetic Preferences with Explainable AI
- arxiv url: http://arxiv.org/abs/2311.14410v1
- Date: Fri, 24 Nov 2023 11:06:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 15:27:06.560380
- Title: Unveiling The Factors of Aesthetic Preferences with Explainable AI
- Title(参考訳): 説明可能なAIによる美的嗜好の要因の解明
- Authors: Derya Soydaner and Johan Wagemans
- Abstract要約: 本研究の目的は,画像の美的嗜好の複雑な性質を機械学習によって明らかにすることである。
我々は,Random Forest,XGBoost,Support Vector Regression,Multilayer Perceptronなどの機械学習モデルを用いて,美的スコアを正確に予測する。
我々は3つの画像美的ベンチマーク実験を行い、属性の役割とその相互作用に関する洞察を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The allure of aesthetic appeal in images captivates our senses, yet the
underlying intricacies of aesthetic preferences remain elusive. In this study,
we pioneer a novel perspective by utilizing machine learning models that focus
on aesthetic attributes known to influence preferences. Through a data mining
approach, our models process these attributes as inputs to predict the
aesthetic scores of images. Moreover, to delve deeper and obtain interpretable
explanations regarding the factors driving aesthetic preferences, we utilize
the popular Explainable AI (XAI) technique known as SHapley Additive
exPlanations (SHAP). Our methodology involves employing various machine
learning models, including Random Forest, XGBoost, Support Vector Regression,
and Multilayer Perceptron, to compare their performances in accurately
predicting aesthetic scores, and consistently observing results in conjunction
with SHAP. We conduct experiments on three image aesthetic benchmarks,
providing insights into the roles of attributes and their interactions.
Ultimately, our study aims to shed light on the complex nature of aesthetic
preferences in images through machine learning and provides a deeper
understanding of the attributes that influence aesthetic judgements.
- Abstract(参考訳): イメージにおける美的魅力の魅力は私たちの感覚を魅了するが、美的嗜好の根底にある複雑さはいまだに解明されていない。
本研究では,好みに影響を及ぼす美的属性に着目した機械学習モデルを用いて,新しい視点を開拓する。
データマイニングアプローチを通じて,これらの属性を入力として処理し,画像の美的スコアを予測する。
さらに,美的嗜好の要因を深く掘り下げ,解釈可能な説明を得るためには,SHAP(SHapley Additive exPlanations)として知られる一般的な説明可能なAI(XAI)技術を利用する。
提案手法では,ランダムフォレスト,xgboost,サポートベクタ回帰,多層パーセプトロンなど様々な機械学習モデルを用いて,美的スコアを正確に予測し,shapと共に結果を一貫して観察する。
我々は3つの画像美的ベンチマーク実験を行い、属性の役割とその相互作用に関する洞察を提供する。
最終的には、機械学習によって画像における審美的嗜好の複雑な性質を解明し、審美的判断に影響を及ぼす属性をより深く理解することを目的としている。
関連論文リスト
- Image Aesthetics Assessment via Learnable Queries [59.313054821874864]
本稿では,IAA-LQを用いた画像美学評価手法を提案する。
フリーズされた画像エンコーダから得られた事前訓練された画像特徴から、学習可能なクエリを適応して美的特徴を抽出する。
実世界のデータに関する実験では、IAA-LQの利点が示され、SRCCとPLCCでそれぞれ2.2%、そして2.1%が最先端の手法に勝っている。
論文 参考訳(メタデータ) (2023-09-06T09:42:16Z) - Mitigating Bias: Enhancing Image Classification by Improving Model
Explanations [9.791305104409057]
ディープラーニングモデルは、画像の背景にあるシンプルで容易に識別できる特徴に大きく依存する傾向がある。
モデルに十分な注意を前景に割り当てるよう促すメカニズムを導入する。
本研究は,画像内の主概念の理解と表現を高める上で,前景の注意が重要であることを明らかにする。
論文 参考訳(メタデータ) (2023-07-04T04:46:44Z) - Multi-task convolutional neural network for image aesthetic assessment [0.0]
美的属性を考慮したマルチタスク畳み込みニューラルネットワークを提案する。
提案したニューラルネットワークは、画像の全体的な美的スコアとともに属性を共同で学習する。
我々は,スピアマンのランク相関を考慮に入れた場合,全身の美的スコアからほぼ人間に近いパフォーマンスを得る。
論文 参考訳(メタデータ) (2023-05-16T11:56:02Z) - ALL-E: Aesthetics-guided Low-light Image Enhancement [45.40896781156727]
我々は、新しいパラダイム、すなわち美学誘導低光画像強調(ALL-E)を提案する。
LLEに美的嗜好を導入し、美的報酬を伴う強化学習フレームワークでのトレーニングを動機付けている。
様々なベンチマークの結果は、最先端手法よりもall-Eの方が優れていることを示している。
論文 参考訳(メタデータ) (2023-04-28T03:34:10Z) - VILA: Learning Image Aesthetics from User Comments with Vision-Language
Pretraining [53.470662123170555]
ユーザからのコメントから画像美学を学習し、マルチモーダルな美学表現を学習するための視覚言語事前学習手法を提案する。
具体的には、コントラスト的および生成的目的を用いて、画像テキストエンコーダ-デコーダモデルを事前訓練し、人間のラベルなしでリッチで汎用的な美的意味学を学習する。
以上の結果から,AVA-Captionsデータセットを用いた画像の美的字幕化において,事前学習した美的視覚言語モデルよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-03-24T23:57:28Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳(メタデータ) (2022-09-22T22:27:08Z) - Composition and Style Attributes Guided Image Aesthetic Assessment [66.60253358722538]
本稿では,画像の美学を自動予測する手法を提案する。
提案ネットワークには,意味的特徴抽出のための事前学習ネットワーク(Backbone)と,画像属性の予測にBackbone機能に依存するマルチレイヤパーセプトロン(MLP)ネットワーク(AttributeNet)が含まれる。
画像が与えられた場合、提案するマルチネットワークは、スタイルと構成属性、および美的スコア分布を予測できる。
論文 参考訳(メタデータ) (2021-11-08T17:16:38Z) - What Image Features Boost Housing Market Predictions? [81.32205133298254]
本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。
本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。
ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
論文 参考訳(メタデータ) (2021-07-15T06:32:10Z) - This is not the Texture you are looking for! Introducing Novel
Counterfactual Explanations for Non-Experts using Generative Adversarial
Learning [59.17685450892182]
反実用説明システムは、入力画像を変更して反実用推論を可能にする。
本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。
その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
論文 参考訳(メタデータ) (2020-12-22T10:08:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。