BAID

Официальный репозиторий для статьи CVPR2023: «На пути к художественной оценке эстетики изображения: крупномасштабный набор данных и новый метод»

Набор данных

• Клонировать репозиторий

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

• Установите необходимые зависимости, используя:

 pip install pandas
pip install tqdm

• Загрузите набор данных, используя:

 python downloading_script/download.py

Изображения будут сохранены на images/ папке.

Поскольку это может быть медленным при загрузке изображений, мы предоставляем альтернативы для получения набора данных:

• Baidu netdisk: ссылка, код: 9y91
• Google Drive: скоро появится

Метки набора набора данных можно найти в папке dataset .

Код

Требования

• Python> = 3,8
• Pytorch> = 1,12,0
• TOCHVISION> = 0,13,0

Другие зависимости могут быть установлены с:

 pip install -r requirements.txt

Предварительная подготовка

• Загрузите набор данных BAID и поместите изображения в images/ папку
• Предварительно обрабатывать данные, используя:

 python pretraining_utils/pretrain_mani.py

• Предварительно погружаясь на основу Resnet50, используя:

 python pretraining.py

Весь процесс предварительной подготовки занимает около 2 дней на одном RTX3090. Мы обеспечиваем наши предварительные веса на драйве.

Обучение

Для обучения на BAID, используйте:

 python train.py

Контрольные точки будут сохранять в папке checkpoint/SAAN .

Тестирование

Для тестирования на BAID загрузите предварительные веса с диска, поместите контрольную точку в checkpoint/BAID

Затем используйте:

 python test.py

Лицензия

Набор данных лицензирован в соответствии с CC BY-NC-ND 4.0

Подтверждение

Код, заимствованный у Pytorch-Adain и Non-local_pytorch.

Цитирование

Если вы найдете нашу работу полезной, пожалуйста, укажите нашу работу:

 @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 }
}