Our dataset

该数据集包含风景、人像和建筑图像的调查结果，用于评估不同类别图像的美学评分，评分依据Bradley-Terry模型计算。

This dataset comprises survey results of landscape, portrait, and architectural images, utilized to assess the aesthetic ratings of images across different categories. The ratings are calculated based on the Bradley-Terry model.

原始信息汇总

数据集概述

数据集名称

• Neural Image Beauty Predictor Based on Bradley-Terry Model

数据集内容

• 包含风景、人像和建筑三种类型的图像。
• 图像评分基于Bradley-Terry模型，通过调查结果计算得出。

数据集下载

• 下载链接：Google Drive
• 使用前需将图像放置于名为“inputs”的文件夹中。

数据集示例

• 风景图像及评分：
  • 
  • 
• 人像图像及评分：
  • 
  • 
• 建筑图像及评分：
  • 
  • 

数据集使用

• 使用GPU处理：python main_GPU.py
• 使用CPU处理：python main_GPU.py
• 模型选择：--model vgg/alex/squeeze/lsim
• 示例命令：python main_GPU.py --model vgg

搜集汇总

数据集介绍

构建方式

该数据集的构建基于Bradley-Terry模型，旨在通过人类视觉系统（HVS）对图像美学进行评估。数据集涵盖了风景、肖像和建筑三类图像，并通过调查问卷的方式收集了用户对这些图像的美学评分。评分结果经过Bradley-Terry模型的计算，最终形成了具有美学评分标签的图像数据集。数据集的构建过程注重多样性和代表性，确保涵盖不同类别的图像，以支持更广泛的美学评估研究。

特点

该数据集的特点在于其专注于图像美学评估，尤其是通过人类视觉系统的反馈来量化图像的美学价值。数据集分为风景、肖像和建筑三类，每类图像均附有基于Bradley-Terry模型计算的美学评分。这种分类和评分机制使得数据集能够支持针对不同图像类别的美学预测研究。此外，数据集的评分来源于真实用户的调查结果，具有较高的可靠性和实用性。

使用方法

该数据集的使用方法较为灵活，用户可以通过GPU或CPU运行相应的Python脚本进行模型训练和评估。数据集支持多种预训练模型，包括VGG、AlexNet、SqueezeNet和LSIM等。用户可以通过命令行参数选择不同的模型进行实验。在使用前，需将数据集图像放置在指定的文件夹中，并确保依赖库已正确安装。数据集的使用不仅限于学术研究，还可用于图像美学预测模型的开发与优化。

背景与挑战

背景概述

Our dataset是由Shiyu Li、Hao Ma和Xiangyu Hu等研究人员于2021年创建的，旨在通过卷积神经网络（CNN）模型进行图像美学评估。该数据集基于Bradley-Terry模型，结合了人类视觉系统（HVS）的调查结果，涵盖了风景、肖像和建筑三类图像。其核心研究问题在于如何通过机器学习模型准确预测人类对图像美学的感知。该数据集在图像美学评估领域具有重要影响力，为相关研究提供了丰富的数据支持，并推动了基于深度学习的图像美学预测技术的发展。

当前挑战

Our dataset在解决图像美学评估问题时面临多重挑战。首先，美学感知具有高度主观性，不同个体对同一图像的审美评价可能存在显著差异，如何通过模型捕捉这种主观性是一个关键难题。其次，数据集的构建过程中，如何通过调查问卷获取可靠的美学评分，并将其转化为适合机器学习模型训练的数据格式，也是一个复杂的过程。此外，数据集中的图像类别（风景、肖像、建筑）具有不同的美学特征，如何在模型中平衡这些差异并实现跨类别的美学预测，是另一个亟待解决的挑战。

常用场景

经典使用场景

在图像美学评估领域，Our dataset被广泛应用于训练和验证基于卷积神经网络（CNN）的图像美学预测模型。该数据集通过Bradley-Terry模型对风景、肖像和建筑图像进行评分，能够有效模拟人类视觉系统（HVS）对图像美学的感知。研究人员通常利用该数据集来优化模型，使其能够更准确地预测图像的美学评分。

解决学术问题

Our dataset解决了图像美学评估中的关键问题，即如何量化人类对图像美学的感知。通过引入Bradley-Terry模型，该数据集提供了一种基于调查结果的评分机制，能够有效减少主观偏差。这一方法为图像美学评估的标准化提供了重要参考，推动了计算机视觉领域在美学感知方面的研究进展。

衍生相关工作

Our dataset的发布催生了一系列相关研究，尤其是在图像美学预测模型的优化方面。基于该数据集，研究人员提出了多种改进的CNN架构和训练策略，进一步提升了美学评分的准确性。此外，该数据集还启发了跨领域的研究，如结合心理学和计算机视觉技术，探索人类美学感知的深层次机制。