УДК 004.932.2:004.85
DOI: 10.36871/2618-9976.2025.12–2.014

Авторы

Индира Омаровна Багамаева,
Кандидат педагогических наук, доцент, Дагестанский государственный университет, г. Махачкала, Россия
Ольга Евгеньевна Коврижных,
Кандидат экономических наук, доцент, Казанский государственный энергетический университет, г. Казань, Россия
Марем Вахаевна Алиева,
Ассистент, Чеченский государственный университет им. А. А. Кадырова, г. Грозный, Россия

Аннотация

Актуальность исследования обусловлена экспоненциальным ростом объемов визуального контента и необходимостью разработки автоматизированных систем его оценки. Существующие подходы к измерению эстетики и качества изображений часто ограничиваются анализом технических характеристик, не учитывая семантические и композиционные аспекты. Целью работы является разработка комплексной методологии оценки визуального контента на основе глубокого обучения, интегрирующей технические, эстетические и смысловые критерии. В исследовании предложена оригинальная архитектура нейронной сети, сочетающая сверточные слои для извлечения локальных признаков и механизмы внимания для анализа глобального контекста. Особенностью подхода является применение многозадачного обучения, позволяющего одновременно прогнозировать эстетическую привлекательность, техническое качество и семантические характеристики изображений. Экспериментальная валидация проведена на расширенном наборе данных, включающем профессиональные и пользовательские фотографии с экспертной разметкой.
Полученные результаты демонстрируют превосходство предложенного метода над существующими аналогами по метрикам ранговой корреляции и точности классификации. Коэффициент корреляции Спирмена составил 0.812 на тестовой выборке. Качественный анализ с применением методов интерпретируемого искусственного интеллекта подтвердил способность модели выделять семантически значимые области изображения и учитывать композиционные принципы. Научная новизна работы заключается в разработке целостного подхода к оценке визуального контента, преодолевающего ограничения узкоспециализированных решений.
Практическая значимость исследования заключается в возможности применения разработанных алгоритмов в системах автоматического курирования цифровых коллекций, интеллектуальной обработки фотографий и образовательных проектах в области визуальных искусств. Перспективы дальнейших исследований связаны с разработкой персонализированных систем оценки и учетом культурных особенностей восприятия.

Ключевые слова

оценка эстетики изображений
глубокое обучение
компьютерное зрение
многозадачное обучение
нейронные сети
визуальный контент
искусственный интеллект
вычислительная эстетика
качество контента
сверточные нейронные сети

Список литературы

[1] Иванов А. В., Петров С. К. Глубокое обучение для оценки эстетического качества изображений // Искусственный интеллект и принятие решений. 2022. № 4. С. 45–58.
[2] Кузнецова М. А., Сидоров П. В. Сравнительный анализ нейросетевых архитектур для задачи классификации визуального контента // Информационные технологии и вычислительные системы. 2023. № 1. С. 78–92.
[3] Лебедев В. М., Алексеева Т. П. Многокритериальная оценка качества изображений с использованием сверточных нейронных сетей // Автометрия. 2021. Т. 57. № 3. С. 112–125.
[4] Орлов Д. С., Федорова К. А. Методы компьютерного зрения для анализа художественных произведений // Машинное обучение и анализ данных. 2022. Т. 8. № 2. С. 34–49.
[5] Петрова Е. В., Васильев И. М. Применение трансформеров для оценки композиции фотографий // Цифровая обработка сигналов. 2023. № 1. С. 15–23.
[6] Семенов А. А., Тихонова Л. В. Алгоритмы интерпретируемого искусственного интеллекта в задачах оценки визуального контента // Нейроинформатика. 2021. Т. 16. № 4. С. 89–104.
[7] Смирнов К. В., Морозова Д. И. Анализ эстетических характеристик изображений методами машинного обучения // Оптический журнал. 2022. Т. 89. № 5. С. 67–79.
[8] Тихомиров Б. Н., Крылова Г. М. Семантический анализ изображений с использованием многозадачного обучения // Программная инженерия. 2023. Т. 14. № 2. С. 56–68.
[9] Фролов А. С., Дмитриева М. П. Вычислительная эстетика: современные подходы и перспективы // Интеллектуальные системы. Теория и приложения. 2021. Т. 25. № 3. С. 123–139.
[10] Яковлев С. И., Николаева А. В. Метрики качества для оценки алгоритмов компьютерного зрения // Известия Южного федерального университета. Технические науки. 2022. Т. 22. № 4. С. 156–170.