論文の概要: AACP: Aesthetics assessment of children's paintings based on
self-supervised learning
- arxiv url: http://arxiv.org/abs/2403.07578v1
- Date: Tue, 12 Mar 2024 12:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 21:46:05.225335
- Title: AACP: Aesthetics assessment of children's paintings based on
self-supervised learning
- Title(参考訳): AACP:自己教師型学習に基づく児童絵画の美学評価
- Authors: Shiqi Jiang, Ning Li, Chen Shi, Liping Guo, Changbo Wang, Chenhui Li
- Abstract要約: 小児絵画の美学評価(AACP)は画像美学評価(IAA)の重要な分野である
これまでのアプローチでは、大規模なデータセットのトレーニングと、画像に対する美学スコアの提供に頼っていた。
子どもの絵の美学評価データセットを構築し,自己指導型学習モデルを構築した。
- 参考スコア(独自算出の注目度): 17.672268781368672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Aesthetics Assessment of Children's Paintings (AACP) is an important
branch of the image aesthetics assessment (IAA), playing a significant role in
children's education. This task presents unique challenges, such as limited
available data and the requirement for evaluation metrics from multiple
perspectives. However, previous approaches have relied on training large
datasets and subsequently providing an aesthetics score to the image, which is
not applicable to AACP. To solve this problem, we construct an aesthetics
assessment dataset of children's paintings and a model based on self-supervised
learning. 1) We build a novel dataset composed of two parts: the first part
contains more than 20k unlabeled images of children's paintings; the second
part contains 1.2k images of children's paintings, and each image contains
eight attributes labeled by multiple design experts. 2) We design a pipeline
that includes a feature extraction module, perception modules and a
disentangled evaluation module. 3) We conduct both qualitative and quantitative
experiments to compare our model's performance with five other methods using
the AACP dataset. Our experiments reveal that our method can accurately capture
aesthetic features and achieve state-of-the-art performance.
- Abstract(参考訳): 子どもの絵の美学評価 (AACP) は、画像美学評価 (IAA) の重要な分野であり、児童教育において重要な役割を担っている。
このタスクは、利用可能な限られたデータや、複数の視点から評価指標の要求など、ユニークな課題を提示する。
しかし、従来のアプローチは大規模なデータセットのトレーニングに頼っており、AACPには適用できない画像に美学スコアを提供する。
この問題を解決するために,児童絵画の美的評価データセットと,自己教師付き学習に基づくモデルを構築した。
1)2つの部分からなる新しいデータセットを構築し,第1部は児童絵画の20k以上の無ラベル画像,第2部は児童絵画の1.2k画像,第2部は複数の意匠の専門家がラベル付けした8つの属性を含む。
2)特徴抽出モジュール,知覚モジュール,不連続評価モジュールを含むパイプラインを設計する。
3) 定性的および定量的な実験を行い,AACPデータセットを用いた他の5つの手法との比較を行った。
実験により, 審美的特徴を正確に把握し, 最新性能が得られることを明らかにした。
関連論文リスト
- APDDv2: Aesthetics of Paintings and Drawings Dataset with Artist Labeled Scores and Comments [45.57709215036539]
Aesthetics Paintings and Drawings dataset (APDD)は,24の異なる芸術カテゴリーと10の美的属性を含む最初の総合的な絵画コレクションである。
APDDv2は画像コーパスを拡張し、アノテーションの品質を改善し、詳細な言語コメントを特徴としている。
本稿では,ArtCLIP(Art Assessment Network for Specific Painting Styles)の改訂版について紹介する。
論文 参考訳(メタデータ) (2024-11-13T11:46:42Z) - AID-AppEAL: Automatic Image Dataset and Algorithm for Content Appeal Enhancement and Assessment Labeling [11.996211235559866]
Image Content Appeal Assessment (ICAA) は、画像のコンテンツが視聴者に対して生成する肯定的な関心のレベルを定量化する新しいメトリクスである。
ICAAは、画像の芸術的品質を判断する伝統的な画像美学評価(IAA)とは異なる。
論文 参考訳(メタデータ) (2024-07-08T01:40:32Z) - 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) - Towards Artistic Image Aesthetics Assessment: a Large-scale Dataset and
a New Method [64.40494830113286]
まず、Boldbrush Artistic Image dataset (BAID)という大規模なAIAAデータセットを紹介します。
そこで我々は,芸術的イメージを評価するために,スタイル特異的で汎用的な美的情報を効果的に抽出し,活用する新たな手法であるSAANを提案する。
実験により,提案手法は提案したBAIDデータセット上で既存のIAA手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-03-27T12:59:15Z) - 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) - Aesthetic Visual Question Answering of Photographs [15.83390933825182]
本稿では,画像の美的視覚的質問と回答(AVQA)という,美的言語評価の新しい課題を提案する。
目的QAペアは、提案した美的属性分析アルゴリズムによって生成される。
我々は,72,168の高品質画像と324,756対の審美的質問を含む,最初の審美的視覚的質問応答データセットであるAesVQAを構築した。
論文 参考訳(メタデータ) (2022-08-10T07:27:57Z) - Exploring CLIP for Assessing the Look and Feel of Images [87.97623543523858]
ゼロショット方式で画像の品質知覚(ルック)と抽象知覚(フィール)の両方を評価するために,コントラスト言語-画像事前学習(CLIP)モデルを導入する。
以上の結果から,CLIPは知覚的評価によく適合する有意義な先行情報を捉えることが示唆された。
論文 参考訳(メタデータ) (2022-07-25T17:58:16Z) - Distilling Knowledge from Object Classification to Aesthetics Assessment [68.317720070755]
画像美学アセスメント(IAA)の主なジレンマは、審美ラベルの抽象的な性質に由来する。
我々は,IAAモデルに対して,多様な画像内容のセマンティック・パターンに関する知識を抽出することを提案する。
蒸留知識を用いてエンド・ツー・エンドのシングルバックボーンIAAモデルを監督することにより、IAAモデルの性能が大幅に向上する。
論文 参考訳(メタデータ) (2022-06-02T00:39:01Z) - Personalized Image Aesthetics Assessment with Rich Attributes [35.61053167813472]
我々は、パーソナライズされた画像美学の最も包括的な主観的研究を行い、Rich Attributes (PARA) を用いたパーソナライズされた画像美学データベースを導入する。
PARAは、9つの画像指向の目的属性と4つの人間指向の主観的属性を含む、リッチなアノテーションを備えている。
また,条件付きPIAAモデルも提案する。
論文 参考訳(メタデータ) (2022-03-31T02:23:46Z)
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。