文摘
大多数研究人员使用视觉传达符号来达到信息传播的目的,这也是一个非常重要的营销工具为当前包装设计的时代。和视觉通讯技术的使用做出更好的产品包装设计已经成为主要的最重要手段之一,企业销售产品,构建良好的品牌形象。在本文中,我们使用一个深CNN-based审美闪屏分类方法和基于深度学习尼玛神经网络预测闪屏的审美评价分布图像,分别。视觉传达的内涵和包装设计的影响视觉传达技术对包装设计的作用进行了分析。
1。介绍
从本质上讲,包装设计是一种视觉符号的传播。它不仅使产品更好的审美效应,也是一个重要的产品推广手段,工具和理性的特点。在这个时代,视觉传达技术高度重视,逐渐显示出多元化发展。包装设计也是一个产品营销的重要手段1]。随着人们对物质财富的追求,消费者的消费变得越来越开放,以及大型企业如何吸引消费者的注意力和捕捉他们的心,包装设计已经成为产品的一个重要的营销工具(2]。因此,视觉传达技术的应用在产品包装设计中尤为重要,和视觉沟通可以直接和有效地显示视觉信息传播的效果,这也决定了产品的消费者的第一印象3]。
视觉传达是视觉传达设计的直接目的,是通过标志,排版,绘画、平面设计、插图、色彩、电子设备和其他二维图像性能向公众传达各种各样的视觉信息。视觉传达是更倾向于交互设计、注重互动体验和互动的感觉。其重点是功能,但它也有一个平面设计,配色,所以视觉沟通还包括视觉美学的内容(4,5]。
包装是一个完整的反映了品牌的概念、产品特性、消费者心理学、和满足消费者希望购买6]。因此,包装设计是艺术和自然科学的结合,应用于保护和美化产品包装。包装设计不是一个广义的“艺术”,也不仅仅是装饰,但包含了一个多功能的体现科学、艺术、材料、经济、心理、市场等综合要素。包装设计包括以下三个方面:包装设计、包装结构设计、包装装潢设计。
优秀的包装设计是上述三种的有机统一。只有三个有机统一的可以充分发挥包装设计的作用,和包装设计不仅包括技术和艺术两个领域,但它也涉及到其他相关学科在各自领域。因此,要设计好包装(7]。我们应该运用视觉传达设计包装设计和把握消费者心理(8]。
基于这种共识倾向的存在,计算机视觉的一个新兴领域,可计算的图像美学,已经出现,其研究目标是使计算机模拟人类的视觉和审美思考,从而使审美决定图像和建筑之间的一座桥梁计算机和视觉艺术作品(9]。通过形象美学的计算和评估,它可以预测用户在使用视觉互动系统的审美感受,然后帮助设计师来判断并获得审美表达式匹配用户的心理感受,这是重要的实现积极的人机交互。在本文中,我们以闪屏图像为研究对象,使用用户的主观审美评级闪屏图像为基础,使用深度学习的方法来模拟用户的审美感知的图像和验证的可行性评估是通过计算机图像美学的美学评价,协助设计师。
1.1。视觉通讯技术在包装设计的重要性
如今,为了突出产品的新鲜度和个性化的特征,他们中的大多数会选择一些颜色相关产品发展趋势为主要颜色和展示产品的特点,通过主颜色相关产品,同时添加一些其他颜色作为辅助颜色,引发产品的新鲜度。单调的和统一的配色方案很难对消费者对产品印象深刻,这是人们容易忽视的文化元素传达产品和产生视觉疲劳。因此包装的颜色将产生更大的影响产品的开发(10]。因此,包装的色彩设计是一个先决条件消费者看到产品的优越性。目前产品包装设计需要更加大胆和创新的颜色匹配,和设计师应该继续鼓励自己和拓宽他们的创造性思维来捕捉消费者的情感倾向通过包装的颜色和改善产品的渲染能力(11]。
包装的图形设计是最突出的设计在整个包装设计。现在许多产品在市场将仔细考虑之前的产品包装设计模式。同时,这方面的优秀的设计师也相对稀缺。不仅在包装图形和模式,而且在整个产品的标志,是一个主要的焦点。视觉传达设计将使用商标和产品模式和整个的组合覆盖更多的个性化和视觉吸引力的图形来突出产品的主题。标志和包装的使用模式将显示一些具体事情为了吸引消费者的注意力,这样人们将和深化产品的印象12,13]。
2。研究现状
在主流形象审美质量评估方法,他们可以分为传统美学评价方法基于人工设计特点和当前流行的美学评价方法基于深度学习。
方法的评估基于人工设计美学特征,形象美学主要由专家评估手册设计的低级视觉特征,高层次的审美特征,构成审美特性(见图1(一))。作为一个先锋首次提出计算机视觉特性和图像美学之间的关系,基于基本的审美原则,比如配色和对比的图像,图像被分为两类高低美学的方法,如支持向量机和回归。吴et al。14)使用低级特征学习分类模型区分专业摄影师的摄影图像的普通用户。汉et al。15)开发了一种方法来评估图像的审美质量基于颜色协调。库马尔(16)选择高质量图像基于图像布局,场景,和自然采光条件。国内学者也形象美学评估作出了许多贡献。刘等人。17低层视觉特征提取,高层次的审美特征,视觉整体地区的区域特征和视觉图像,建立了一个图像审美的关键区域分类器和一个审美分数评估模型。
(一)
(b)
在这种评价方法,通常涉及由高质量和低质量的图像训练集和测试集,回归分析提取的特征对人类审美质量分数需要区分高质量图像(18]。然而,这需要研究者在摄影美学等专业知识构成和颜色。
近年来,随着深度学习技术的兴起,研究人员介绍了卷积神经网络(CNN)解决相关问题在图像审美评价的任务。由于其强大的自动学习功能,它可以自动提取高层抽象特性从大量的图像数据,而无需人员有专门的美学知识(见图1 (b)),已经成为一个主流的方法解决形象审美评价问题(19]。他们适应卷积神经网络,使其适用于解决不同形象的审美评价的问题(20.),提出了一种深与RS-CJS卷积神经网络。复旦大学提出了一个审美形象评论家模型,NAIR基于CNN和递归神经网络(RNN),这不仅预测审美评级也产生语义的评估。这些研究表明良好的表现形象的审美评价。
先前的研究主要集中在摄影图像为主要对象的审美评价,和研究人员已经开发出各种算法和程序来提高评价的准确性和帮助用户筛选和优化照片。然而,对于设计师来说,这是更有意义的理解用户组的精确审美倾向比得到一个形象审美分类或评级。本文中使用的方法与其他方法的不同之处在于,而不是简单地确定图像美学为高或低,人类评级作为的统计分布预测结果,以便预测结果有较高的相关性与人类的评级。此外,其他研究主要使用艾娃作为主流的数据集,和评价结果主要代表西方人的审美21]。
3所示。闪屏的审美评价实验设计基于深度学习
3.1。闪屏图像数据采集
共1002个样本应用程序的启动画面图像数据收集通过各种方法,包括截图和互联网下载。通过微信群受试者招募,考虑到他们的年龄,性别,教育背景,和软件使用经验。总共九个受试者招募,包括五个女性和四个男性,年龄在17岁到37岁。这些参与者每天用十多个不同的应用程序和有知识的美学色彩和构图等(22]。没有赔偿或费用为本研究提供了参与者。每个参与者都独立得分5分李克特量表上(4 5非常好看,好看,3平均2坏,很坏和1)(23]。
闪屏的审美评价的数据分布图像如图2。从图2,可以看出每个等级的数据样本是不均匀的,和大多数带安全标签的数据时介于2和等级3,用更少的数据在高和低等级和整体高斯分布。因此,90%的样本数据在每个等级随机抽样作为训练数据集,剩下的10%是用作测试数据集。最后,903年99年训练数据集和测试数据集。训练集和测试集的数据分布如图3。
该方法分类的审美质量闪屏图像分成好的和糟糕的成绩。那些平均得分大于或等于2.6被认为是“好”的审美品质,和那些小于2.6被认为是“穷人”的审美品质。将闪屏的审美质量分类的规则如下:
即平均分数的评级是算作闪屏图像
然后,深神经网络设计执行二进制分类学习闪屏图像数据,和神经网络模型的结构如图4。闪屏图像输入,模型通过pretraining inception-ResNet-v2 CNN ImageNet数据集(24)是用于执行迁移学习的闪屏图像提取高层抽象的审美特征,然后通过分类器网络的最终完全连接层分类器网络输出二维概率(好/坏的概率)审美二进制分类。
inception-ResNet-v2 CNN利用剩余连接和卷积操作与大量小内核网络越来越小,实现最好的当前性能ILSVRC图像分类基准测试(25]。因此,强大的特征提取能力inception-ResNet-v2卷积神经网络用来实现闪屏的审美质量分类图像。实验结果的整体识别率达到64.7%(见图5),闪屏的整体识别率审美分类如表所示1。
4所示。审美分布预测方法,基于深度学习尼玛闪屏
美学评价方法之间的差异尼玛谷歌和上述美学提出的分类方法,上面的审美分类方法分类美学为好,贫穷,和预测的品位是代表这幅图像的平均水平,这是显示为预测的结果分类类别。虽然尼玛方法(26)来预测人类的审美评价的概率分布图像的CNN,获得的概率分布地图可以更准确地理解用户的集中趋势的一个图像,可以更准确地评价指导人口有多少人找到一个图像漂亮到什么程度。闪屏的分布如图审美评价6。
的分布,可以看出,有44%的人认为这闪屏海报的审美评价3,和11%的人认为这闪屏海报可怜的美学设计,它有一个审美评级为1。尼玛的目的是生成一个等级的概率分布直方图,即。,the probability value of each rating, for any one image by predicting this probability distribution of human assessment of image aesthetics, which is similar to the human aesthetic rating system generates a histogram of aesthetic probability distributions that is formally compatible with the histogram of aesthetic probability distributions generated by the human aesthetic rating system. Therefore, the prediction results of NIMA [27更接近那些人类美学的评价和更具代表性的公众。
真正的人类评级分布图像可以表示为一个质量经验概率分布函数: 在哪里代表水平的概率 。尼玛方法的目标是预测给定的审美评价的概率分布图像。
的结构的审美分布预测方法的深度学习NIMA-based飞溅屏幕如图7(28]。的概率分布的闪屏的审美评价五个层次。
如果我们获得的概率分布的审美评价闪屏p(29日的平均值),然后启动画面的审美质量评价可以被定义为
审美的标准偏差闪屏的质量评级
闪屏的审美质量相比可以定性的均值和标准方差闪屏美学质量评级。比较预测质量评级分布之间的关系p和参与者的标签质量评级分布问皮尔森相关系数是用来衡量两个变量之间的相关性X和Y−1和1之间的值,计算如下:
最后的结果表明,皮尔森相关系数值在99测试集,从训练数据训练学习,是0.516,一个温和的相关协议之间的预测和participant-labeled值。预测的审美数据如图8。均值图的参与者的评级8(a)为2.888,机器预计2.257,1.053的差异;均值图的参与者的评级8(b)是2.667,机器预计2.495,0.919的区别。这两个值不同而呈中度相关。由于有限的数据和标签数据的“国内移动闪屏图像数据集美学,”如果有足够多的训练数据,深度学习的皮尔森相关NIMA-based闪屏美学分布预测方法在测试集将达到很强的相关性,预测结果将更具代表性的人类审美标准。
5。实验
如今,当消费者购买产品,他们也注重产品的外在形象,这意味着消费者将得到不同的情感体验。通过这种方式,产品的外部形象是增强,甚至产品本身的外部形象成为一个消费产品。产品的外部形象必须通过一系列的图形元素来表达,产生一定的功能和艺术视觉传达技术在消费领域(30.]。
提供的评价方法和结果三个视觉设计师拥有超过十年的工作经验,他觉得呈现分布式评价结果将提供一个更清晰的看法公众的关注评级和形象可以作为重要的证据评价的视觉在团队中工作。
发现深上优于形象审美评价可以帮助设计师和公司在二维空间分布(31日]。首先,启动画面审美分布预测方法可以帮助设计师预测用户的审美评价分配他们的设计工作和建立一个客观的审美评价。在此基础上,未来的设计团队可以开发审美视觉评价参数评价标准作为参考,减少评价的主观性。其次,通过构建“闪屏图像美学的数据集,”设计师可以更准确地理解审美特征被用户,获取目标用户的审美倾向,并作出前瞻性视觉设计为用户提供一个令人愉快的体验,实现精确营销企业,如图9。
可视通信技术的应用在包装设计中是非常重要的。颜色和模式的重要性,分析了包装设计,现在,这些元素的应用策略进行了分析。设计者提出产品包装设计的文化内涵通过一些艺术视觉符号或语言来达到更好的信息传递效果。一般来说,大部分的视觉符号人们选择在二维空间设计图形或符号,而这些视觉符号是不同的从传统的视觉符号。基于这个前提,设计师们必须认识到,无论视觉设计和任何颜色,他们必须让普通消费者很容易理解。颜色、图形和文本是包装设计的基本元素。因此,美学质量评估,如图10。
6。结论
本研究主要探讨创意和情感闪屏图像由设计师和设计使用尼玛作为主要评价方法有效地预测闪屏的审美评价分布图像。深卷积神经网络应用的可行性和有效性验证界面设计的审美评价。我们可以选择的视觉符号,可以吸引消费者的注意力,提高他们的购买欲望,然后进行一系列的包装设计,以创造一个双赢的局面,设计质量和健康消费相互促进。
数据可用性
本文使用的数据可从相应的作者。
的利益冲突
作者宣称没有利益冲突的这方面的工作。