BAID

ที่เก็บอย่างเป็นทางการสำหรับกระดาษ CVPR2023: "ไปสู่การประเมินความสวยงามของภาพศิลปะ: ชุดข้อมูลขนาดใหญ่และวิธีการใหม่"

ชุดข้อมูล

• โคลนที่เก็บ

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

• ติดตั้งการพึ่งพาที่จำเป็นโดยใช้:

 pip install pandas
pip install tqdm

• ดาวน์โหลดชุดข้อมูลโดยใช้:

 python downloading_script/download.py

รูปภาพจะถูกบันทึกลงใน images/ โฟลเดอร์

เนื่องจากอาจช้าเมื่อดาวน์โหลดภาพเราจึงมีทางเลือกอื่นเพื่อรับชุดข้อมูล:

• Baidu Netdisk: ลิงค์, รหัส: 9y91
• Google Drive: เร็ว ๆ นี้

ฉลากความจริงพื้นดินของชุดข้อมูลสามารถพบได้ในโฟลเดอร์ dataset

รหัส

ความต้องการ

• Python> = 3.8
• pytorch> = 1.12.0
• Torchvision> = 0.13.0

การพึ่งพาอื่น ๆ สามารถติดตั้งได้ด้วย:

 pip install -r requirements.txt

การผ่าตัดก่อน

• ดาวน์โหลดชุดข้อมูล Baid และวางรูปภาพใน images/ โฟลเดอร์
• ประมวลผลข้อมูลล่วงหน้าโดยใช้:

 python pretraining_utils/pretrain_mani.py

• pretrain backbone resnet50 โดยใช้:

 python pretraining.py

กระบวนการเตรียมการทั้งหมดใช้เวลาประมาณ 2 วันใน RTX3090 เดียว เราให้น้ำหนักที่ได้รับการฝึกฝนที่ไดรฟ์

การฝึกอบรม

สำหรับการฝึกอบรมเกี่ยวกับ Baid ใช้:

 python train.py

จุดตรวจจะได้รับการบันทึกไปยังโฟลเดอร์ checkpoint/SAAN

การทดสอบ

สำหรับการทดสอบเกี่ยวกับ checkpoint/BAID ให้ดาวน์โหลดน้ำหนักที่ได้รับการฝึกฝน

จากนั้นใช้:

 python test.py

ใบอนุญาต

ชุดข้อมูลได้รับอนุญาตภายใต้ CC BY-NC-ND 4.0

การรับทราบ

รหัสที่ยืมมาจาก pytorch-adain และ non-local_pytorch

การอ้างอิง

หากคุณพบว่างานของเรามีประโยชน์โปรดอ้างอิงงานของเราเป็น:

 @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 }
}