Predicting Image Aesthetics with Deep Learning

Advanced Concepts for Intelligent Vision Systems - Lecture Notes in Computer Science ◽

10.1007/978-3-319-48680-2_11 ◽

2016 ◽

pp. 117-125 ◽

Cited By ~ 11

Author(s):

Simone Bianco ◽

Luigi Celona ◽

Paolo Napoletano ◽

Raimondo Schettini

Keyword(s):

Deep Learning ◽

Image Aesthetics

Download Full-text

Rating Image Aesthetics Using Deep Learning

IEEE Transactions on Multimedia ◽

10.1109/tmm.2015.2477040 ◽

2015 ◽

Vol 17 (11) ◽

pp. 2021-2034 ◽

Cited By ~ 94

Author(s):

Xin Lu ◽

Zhe Lin ◽

Hailin Jin ◽

Jianchao Yang ◽

James. Z. Wang

Keyword(s):

Deep Learning ◽

Image Aesthetics

Download Full-text

Modeling image aesthetics through aesthetics-related attributes

London Imaging Meeting ◽

10.2352/issn.2694-118x.2021.lim-11 ◽

2021 ◽

Vol 2021 (1) ◽

pp. 11-15

Author(s):

Marco Leonardi ◽

Paolo Napoletano ◽

Alessandro Rozza ◽

Raimondo Schettini

Keyword(s):

Computer Vision ◽

Deep Learning ◽

Support Vector Regression ◽

State Of The Art ◽

Support Vector ◽

Multi Layer Perceptron ◽

Automatic Assessment ◽

Wide Range ◽

Image Aesthetics ◽

Multi Level

Automatic assessment of image aesthetics is a challenging task for the computer vision community that has a wide range of applications. The most promising state-of-the-art approaches are based on deep learning methods that jointly predict aesthetics-related attributes and aesthetics score. In this article, we propose a method that learns the aesthetics score on the basis of the prediction of aesthetics-related attributes. To this end, we extract a multi-level spatially pooled (MLSP) features set from a pretrained ImageNet network and then these features are used to train a Multi Layer Perceptron (MLP) to predict image aesthetics-related attributes. A Support Vector Regression machine (SVR) is finally used to estimate the image aesthetics score starting from the aesthetics-related attributes. Experimental results on the ”Aesthetics with Attributes Database” (AADB) demonstrate the effectiveness of our approach that outperforms the state of the art of about 5.5% in terms of Spearman’s Rankorder Correlation Coefficient (SROCC).

Download Full-text

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text