BAID

مستودع رسمي لورقة CVPR2023: "نحو تقييم جماليات الصور الفنية: مجموعة بيانات واسعة النطاق وطريقة جديدة"

مجموعة البيانات

• استنساخ المستودع

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

• تثبيت التبعيات اللازمة باستخدام:

 pip install pandas
pip install tqdm

• قم بتنزيل مجموعة البيانات باستخدام:

 python downloading_script/download.py

سيتم حفظ الصور إلى images/ المجلد.

نظرًا لأنه قد يكون بطيئًا عند تنزيل الصور ، فإننا نقدم بدائل للحصول على مجموعة البيانات:

• Baidu NetDisk: الرابط ، الرمز: 9y91
• محرك Google: قريبًا

يمكن العثور على ملصقات الحقيقة الأرضية لمجموعة البيانات في مجلد dataset .

شفرة

متطلبات

• بيثون> = 3.8
• Pytorch> = 1.12.0
• torchvision> = 0.13.0

يمكن تثبيت تبعيات أخرى مع:

 pip install -r requirements.txt

ما قبل

• قم بتنزيل مجموعة بيانات BAID ووضع الصور في images/ المجلد
• المعالجة المسبقة للبيانات باستخدام:

 python pretraining_utils/pretrain_mani.py

• بريدرين العمود الفقري Resnet50 باستخدام:

 python pretraining.py

تستغرق عملية التدريب بأكملها حوالي يومين على RTX3090 واحد. نحن نقدم أوزاننا المسبقة في محرك الأقراص.

تمرين

للتدريب على Baid ، استخدم:

 python train.py

سيتم حفظ نقاط التفتيش إلى مجلد checkpoint/SAAN .

الاختبار

للاختبار على BAID ، قم بتنزيل الأوزان المسبقة من محرك الأقراص ، ضع نقطة التفتيش في checkpoint/BAID

ثم استخدم:

 python test.py

رخصة

مجموعة البيانات مرخصة بموجب CC BY-NC-ND 4.0

شكر وتقدير

تم استعارة الكود من Pytorch-adain و non-local_pytorch.

اقتباس

إذا وجدت عملنا مفيدًا ، فيرجى الاستشهاد بعملنا على النحو التالي:

 @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 }
}