AACP: Aesthetics assessment of children's paintings based on self-supervised learning

这篇文章介绍了儿童绘画美学评估（AACP）作为图像美学评估（IAA）的一个重要分支，在儿童教育中发挥着重要的作用。然而，这项任务面临着独特的挑战，例如数据有限和需要从多个角度评估指标等。以往的方法依赖于训练大规模数据集，并随后为图像提供美学评分，这种方法不适用于AACP。为了解决这个问题，作者构建了一个儿童绘画美学评估数据集和一个基于自监督学习的模型。作者建立了一个新颖的数据集，包括两部分：第一部分包含超过20k张未标记的儿童绘画图像；第二部分包含1.2k张儿童绘画图像，每张图像都由多个设计专家标记了八个属性。作者设计了一个包括特征提取模块、感知模块和分解评估模块的流程。作者进行了定性和定量实验，比较了使用AACP数据集的自己的模型与其他五种方法的性能。实验结果表明，作者的方法能够准确捕捉美学特征，并实现最先进的性能。

构建儿童绘画美学评估数据集和基于自监督学习的模型，解决儿童绘画美学评估中数据有限和评估指标多样的问题。

使用自监督学习的方法，构建一个包含未标注儿童绘画图片和已标注儿童绘画图片的数据集，并设计了一个包括特征提取模块、感知模块和分离式评估模块的流程，最终实现了精确捕捉美学特征和取得最先进的性能。

论文构建了一个包含未标注和已标注儿童绘画图片的数据集，使用自监督学习的方法进行模型训练，设计了一个新的流程来评估儿童绘画美学，通过实验验证了方法的有效性。值得关注的是，该论文提供了一个新的思路来解决少样本的问题，并且在儿童绘画美学评估方面做出了有意义的贡献。

在这个领域中，最近的相关研究包括：1）《Aesthetic Visual Quality Assessment of Paintings: A Study Based on Convolutional Neural Network》；2）《Deep Learning for Aesthetic Image Classification: Insights from a New Dataset》；3）《Aesthetic Quality Assessment of Paintings Using Deep Learning with Spatial Pyramid Pooling》等。