BAID

Offizielles Repository für CVPR2023-Papier: "Auf dem Weg zur Bewertung der künstlerischen Bildästhetik: Ein großflächiger Datensatz und eine neue Methode"

Datensatz

• Klonen Sie das Repository

 git clone https://github.com/Dreemurr-T/BAID.git
cd BAID/

• Installieren Sie die erforderlichen Abhängigkeiten mit:

 pip install pandas
pip install tqdm

• Laden Sie den Datensatz mit: herunterladen:

 python downloading_script/download.py

Die Bilder werden in images/ Ordner gespeichert.

Da es beim Herunterladen der Bilder möglicherweise langsam sein kann, bieten wir Alternativen an, um den Datensatz zu erhalten:

• Baidu NetDisk: Link, Code: 9Y91
• Google Drive: bald kommen

Bodend-Wahrheitsbezeichnungen des Datensatzes finden Sie im dataset .

Code

Anforderungen

• Python> = 3,8
• Pytorch> = 1.12.0
• Torchvision> = 0,13,0

Andere Abhängigkeiten können installiert werden mit:

 pip install -r requirements.txt

Vorab

• Laden Sie den BAID -Datensatz herunter und platzieren Sie die Bilder in den images/ den Ordner
• Vorverarbeitung der Daten mit:

 python pretraining_utils/pretrain_mani.py

• Vorbereitet das ResNet50 -Rückgrat mit:

 python pretraining.py

Der gesamte Vorbereitungsvorgang dauert ungefähr 2 Tage bei einem einzigen RTX3090. Wir bieten unsere vorab vorbereiteten Gewichte am Antrieb.

Ausbildung

Für das Training auf Baid, verwenden Sie:

 python train.py

Kontrollpunkte werden im Ordner checkpoint/SAAN gespeichert.

Testen

Zum Testen auf BAID laden Sie die vorgenannten Gewichte vom Laufwerk herunter und platzieren Sie den Kontrollpunkt in checkpoint/BAID

Dann verwenden Sie:

 python test.py

Lizenz

Der Datensatz ist unter CC BY-NC-ND 4.0 lizenziert

Anerkennung

Der Code wurde von Pytorch-Adain und Non-Local_PyTorch geliehen.

Zitat

Wenn Sie unsere Arbeit nützlich finden, zitieren Sie unsere Arbeit als:

 @InProceedings { Yi_2023_CVPR ,
    author    = { Yi, Ran and Tian, Haoyuan and Gu, Zhihao and Lai, Yu-Kun and Rosin, Paul L. } ,
    title     = { Towards Artistic Image Aesthetics Assessment: A Large-Scale Dataset and a New Method } ,
    booktitle = { Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } ,
    month     = { June } ,
    year      = { 2023 } ,
    pages     = { 22388-22397 }
}