AADB

现实世界的应用程序可以受益于自动生成细粒度照片美学排名的能力。然而，以前的图像美学分析方法主要集中在将图像粗略的二元分类为高审美或低审美类别。在这项工作中，我们建议学习一个深度卷积神经网络来对照片美学进行排名，其中照片美学的相对排名直接在损失函数中建模。我们的模型结合了有意义的照片属性和图像内容信息的联合学习，可以帮助规范复杂的照片美学评级问题。
为了训练和分析这个模型，我们组装了一个新的美学和属性数据库（AADB），其中包含由多个人类评分者分配给每个图像的美学分数和有意义的属性。跨图像记录匿名评估者身份，允许我们在计算训练图像对的排名损失时使用新的采样策略利用评估者内部一致性。我们表明，面对具有不同审美品味的个体对图像审美的主观判断，所提出的采样策略非常有效且稳健。实验表明，我们的统一模型可以生成更符合人类评级的审美排名。为了进一步验证我们的模型，我们表明，通过简单地对估计的审美分数进行阈值化，我们能够在现有的 AVA 数据集基准上实现最先进的分类性能。