Évaluation approfondie de la qualité esthétique avec des informations sémantiques

Les êtres humains évaluent souvent la qualité esthétique d'une image en association avec l'identification du contenu sémantique de cette image. Cet article aborde le problème de corrélation entre l'évaluation automatique de la qualité esthétique et la reconnaissance sémantique. Nous formulons le problème d'évaluation comme la tâche principale au sein d'un modèle profond multi-tâches, et nous soutenons que la tâche de reconnaissance sémantique offre la clé pour résoudre ce problème. En nous appuyant sur des réseaux neuronaux convolutifs, nous utilisons un cadre unique et simple multi-tâches pour exploiter efficacement la supervision des étiquettes esthétiques et sémantiques. Un élément de corrélation supplémentaire entre ces deux tâches est introduit dans le cadre par l'intégration de l'apprentissage des relations inter-tâches. Cet élément non seulement fournit quelques insights utiles sur la corrélation, mais améliore également la précision de l'évaluation de la tâche esthétique. Plus particulièrement, une stratégie efficace est développée pour maintenir un équilibre entre les deux tâches, facilitant ainsi l'optimisation des paramètres du cadre. De nombreuses expériences menées sur le jeu de données AVA et le jeu de données Photo.net valident l'importance de la reconnaissance sémantique dans l'évaluation de la qualité esthétique, et démontrent que les modèles profonds multi-tâches peuvent découvrir une représentation esthétique efficace pour obtenir des résultats à l'état de l'art.Note : - "AVA dataset" a été traduit littéralement car il s'agit d'un nom propre.- "Photo.net dataset" a également été traduit littéralement pour les mêmes raisons.