大规模胜利胡1[0000−0002−5105−6974]和阿里博尔吉2[0000−0001−8198−0335]1康奈尔大学，伊萨卡纽约14850，美国sh2264@cornell.edu2University of Central Florida，Orlando FL 32816aborji@crcv.ucf.edu抽象。 我们创建了一个包含543，758个徽标设计的数据集，涵盖39个行业类别和216个国家。我们实验并比较了不同的深度卷积神经网络（以下简称DCNN）架构、预训练协议和权重初始化在预测设计可记忆性和可爱性方面的表现。 我们提出并提供了基于训练DCNN的估计方法，以提取和评估用于设计的两个独立概念：每个徽标的独立概念（“独立概念”度量）和独立概念（“概念”度量）。我们提供的因果推理的证据表明，这两个结构显着影响记忆的标志设计，符合认知加工理论。然而，对喜欢的影响是交互的，与处理流畅性一致（例如，Lee和Labroo（2004），以及Landwehr等人（2011））。关键词：营销应用·视觉设计·认知信息处理·解释水平理论1引言及相关工作设计中的哪些视觉元素增加了对设计的记忆，哪些增加了对设计的喜爱？这些元素是相同的，还是不同的--记忆和喜欢之间的关系是什么？认知心理学的大量研究表明，对目标的详细阐述与对它的更好记忆有关，例如，[28]，[29]和[31]。对于一个视觉设计，一个增加的阐述可以从两个来源-第一，设计的感知流畅性和第二，设计的概念流畅性。通过设计的感知流畅性，我们指的是设计的纯感知元素以及这些元素可能偏离感知者记忆中的类别的视觉原型的程度。现有的研究表明，视觉表征倾向于作为与类别原型的偏差存储在存储器中（例如，[4]、[10]）。随着人们在一生中接触到更多的一个类别的例子，他们在记忆中发展出一个当遇到新的范例时，视觉记忆系统会检查并编码与原型的差异，而不是记住每一个细节。视觉设计影响记忆的第二个方面是它的意义。人们通过联想信息的含义来2S. Hu和A. Borji他们所知道的，他们所知道的，他们所知道的。当态度对象3的含义非常清楚时，其容易地关联到消费者在该区域中已经具有的知识中。但是态度对象几乎没有详细说明，它的含义立即被纳入消费者已经知道的要点。缺乏精细加工可能会降低对物体的清晰记忆或识别概率。视觉设计的这两个方面--感知流畅性和概念流畅性--如何影响人们对徽标的喜爱认知心理学的研究表明，消费者喜欢感觉容易处理的态度对象（[21]，[1]，[7]，[22，20]）。这个想法是，感觉容易处理的信息是因为它的信息在感知上是清晰的，突出的，或者因为它的含义是容易阐述的，所以更受欢迎。这些发现意味着视觉上独特的标志可能会突出并更受欢迎，如果它们鼓励有意义的阐述，它们会更受欢迎但是如果意思非常模糊，他们就会不那么喜欢。为了探索这些想法，我们创建了一个包含543，758个徽标设计的大型数据集，涵盖39个行业类别和216个国家。我们通过收集和计算来自一系列在线视觉记忆实验的可爱性和记忆性分数来注释它，这些实验改编自[12]，[11]和[17]介绍的程序。在计算方面，我们首先使用不同的DCNN架构、预训练和迁移学习方法，对设计可扩展性和可喜爱性的预测任务进行实验。在认知方面，我们提出了基于DCNN输出的信息措施来代理感知和概念流畅性。然后，我们回归设计的可记忆性和讨人喜欢的流畅性结构的建议措施，控制其他各个方面，以确定感知和概念流畅性的影响，可记忆性和讨人喜欢。我们确保识别这两个措施时，引发注释运行控制4在线实验。本研究的主要贡献包括：这是第一个研究（1）发布一个大规模的标志设计数据集，可能对视觉和商业研究社区都有价值;（2）研究两种流畅度对大规模设计的可记忆性和可喜爱性的影响;（3）比较不同的深度神经网络架构，初始化和迁移学习方法如何执行设计可记忆性和可喜爱性的预测任务。2大规模可记忆性和可喜爱性标志设计数据集我们建立了一个包含543758个标志设计的大型数据集，并在123928个标志的子样本上进行了记忆性和3态度对象是你对之做出判断或有积极或消极感觉的对象。4在[15]、[14]、[16]和[17]中规定的基础上，我们遵循随机化和基于感知和概念测量的明确治疗分组的实验经济学方案。标志设计、记忆力和可爱性32.1记忆力和喜爱度评分我们使用在线实验程序获得了整个数据集子集的可记忆性得分，该程序改编自[15]，[14]和[16，17]中开发的高效视觉记忆游戏。我们通过要求受试者对他们喜欢的标志进行评分来得出喜欢分数，评分范围从到7. 为 了 避免由客户的朋友与品牌或与徽标相关的公司进行直接对比，我们首先明确要求他们不要基于美学以外的原因来决定他们对品牌的喜爱程度。第二，作为体验后问卷调查的一部分，得出了受欢迎程度分数，这包括了所展示品牌的受欢迎程度。令人惊讶的是，在我们的注释集中，遇到熟悉的标志或品牌的百分比占不到3%（（3，711/ 123， 928），我们将识别阈值设置为40%以减少噪音），这表明这种偏见在我们的设置中是次要的。我们从亚马逊土耳其机器人公司招募了38542名美国受试者，并从每个土耳其人身上获得了66分的记忆力和可爱度，结果每个标志大约20分我们按照[17]中采用的优化程序计算了每个标志的估计记忆力和喜爱度得分。 在游戏中，Turkers会看到一系列标志，每个标志显示1秒，并带有1。在徽标表示之间的4秒间隙。他们的任务是每当看到重复的标志时按下按钮每个任务设计为持续约4.5分钟，包括总共186个标志，分为66个目标，30个过滤器和12个警戒重复。目标在至少35个标识之后重复，并且最多150个标识。警戒重复显示在第一次显示后的7个徽标内警惕的重复确保亚马逊机械工人确实注意到了。失败超过25%的警戒重复的Turker被阻止，并且丢弃他们所有的答案。我们建议读者参考[15，17]以了解更多的程序细节。尽管如此，我们的实验至少在两个主要方面有所不同。首先利用2× 2 × 2 × 2全析因设计，并检查16种不同的受试者间处理，这些处理改变了感知流畅性测量（感知复杂性和图像原型性，详见第1节和第3节）的水平（高于中位数或低于中位数）。2）和概念流畅性测量（来自深度神经网络特征分布的熵和Kullback-Leibler散度）与徽标记忆游戏，遵循实验经济学协议，其提供更大的控制并促进因果推理。第二，我们不是以不同的时间间隔重复相同的自然图像，而是以不同的形式重复标志（标志图案或实验结束时的纯文本），并相应地得出记忆分数。图1示出了由注释分数排列的来自我们的数据集的样本设计。2.2数据集总结我们从互联网上的各种来源收集了矢量标志，包括世界品牌，标志类型，世界矢量标志，矢量我。我们的数据集包含4S. Hu和A. Borji图1：按其可记忆性和可喜爱性分数排列的样本图像：左上方的标志具有高可记忆性分数，右上方的标志具有低可记忆性分数，左下方的标志具有高可喜爱性分数，右下方的标志具有低可喜爱性分数标志设计涵盖39个行业类别和216个国家。访问是可用的，能够在标志设计。我们根据图中的注释子集二、 我们详细介绍了图2：标识行业类别和国家的直方图在图3的蜘蛛图中，我们可以看到最集中的国家和类别中的徽标。设计类的大多数标志来自巴西、美国、土耳其、墨西哥和欧洲，而食品和饮料的标志则来自北美和南美。体育标志在欧洲国家和南美洲分布更均匀巴西的标志主要集中在体育，设计和商业领域，而美国的标志在食品和饮料，技术，媒体，汽车，音乐和金融等类别中分布更均匀2.3图像特征我们探索了我们数据集的各种图像特征，包括大小（熵），色调，饱和度，值，边缘数，直线数，角点数，圆数，多边形数和存在性。Logo国家Logo行业类别分布南斯拉夫委内瑞拉美国阿拉伯联合酋长国乌克兰土耳其瑞士瑞典西班牙南非456旅游运输贸易科技体育273424601508719333140928664723108710229024824416559203177374安全479Science3272283零售宗教250房地产464音乐军事528医疗媒体制造业714法律2385169塞尔维亚沙特阿拉伯俄罗斯罗马尼亚葡萄牙波兰菲律宾秘鲁巴拿马挪威荷兰墨西哥马来西亚马其顿日本意大利印度尼西亚印度匈牙利希腊德国法国芬兰2886187423032420420436275881197632615609135845618816811775685酒店纹章政府游戏食 品 ， 饮 料融 资 时尚农业情色12111784655558711128818114990998749718633777356828409111680共和国丹麦捷克克罗地亚哥斯达黎加哥伦比亚智利加拿大保加利亚巴西波斯尼亚黑塞哥维那比利时厄瓜多尔多米尼加472866553493839794532466环境748工程学182教育设计约会851691576518541973153016133咨询193建筑417通信业务22445247430乌斯特117312441185美容 汽车艺术架构10604950奥地利一2646阿根廷30027530500010000150000500010000频率1500020000频率国家类别标志设计、记忆力和可爱性5●设计●吃 喝●媒体●体育●技术德国俄罗斯阿根廷联合王国●巴西2319 ●●美国1159●●●●●●●墨西哥●●●●●98●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●土耳其意大利荷兰●巴西●意大 利●墨西 哥●荷兰●土耳 其●美国体育金融2319设计●●●音乐食品，饮料●1159●●●●●●●●●●●●●●自动●●●技术支持●5●●0●●●●●●● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●政府●媒体●零售业教育业务图3：按类别（国家）划分的文本。我们通过取图像内所有像素的局部熵值的平均值来测量大小，并按国家和类别绘制分布。图4显示了最集中的国家（前六名）和类别（前十名）的比较分布。有趣的是，技术类的标志似乎更集中在尺寸范围的低端，而媒体标志和食品/饮料标志在尺寸方面表现出最大的变化。从各国来看，欧洲国家的徽标似乎更集中于较小的尺寸，而各国的总体差异远不如各行业的差异明显，如图5所示。图图4：最集中的国家和类别的标志大小分布直方图代表性国家和类别的3D图在图6中示出，其中色调、饱和度和值值是跨图像的所有像素取得的平均值。一些描述性模式包括：体育标志在分布上比设计标志、北美国家的标志更加饱和最集中的国家/地区的徽标尺寸分布在最集中的类别中徽标大小的分布800075006000国家巴西4000意大利墨西哥荷兰土耳其美国500025002000类别商业设计教育食品饮料政府行业媒体零售体育技术00012 3图像熵45012 3图像熵45频率频率6S. Hu和A. Borji图图5：最集中的国家和类别的标志大小分布的密度图与欧洲国家的标志相比，在分布上更饱和，色彩集中度更低0.8体育标志的HSV散点图10.60.80.20.410值饱和0.8巴西标志的HSV散点图0.60.800.20.410.80.60.4值色调饱和0.80.60.60.60.40.40.40.20.200.20.20色调图图6：一些国家和类别的HSV平均值的三维散点图我们还用Canny检测器测量边缘的数量，用Harris检测器测量角点的数量，用概率Hough线变换测量直线、圆和多边形的数量。我们在图7中绘制了所得到的边、圆、直线和多边形的数量的经验密度的选择。出现了一些有趣的模式：（1）设计行业的标志似乎较少采用直线和多边形，而体育标志似乎更频繁地展示多边形;（2）体育、媒体和食品/饮料标志似乎展示了更多的圆圈，而零售和技术标志则相反;（3）美国（包括北方和南方）的标志似乎采用最集中的国家/地区的徽标尺寸密度最集中类别中的徽标尺寸密度1.51.51.0国家巴西类别设计意大利墨西哥荷兰土耳其美国1.00.5食品、饮料行业媒体体育技术0.50.00.0012 3图像熵4012 3图像熵4密度密度标志设计、记忆力和可爱性7按类别划分的边密度图按类别划分的徽标边缘计数密度6e−044e−044e−04类别商业设计教育食品饮料政府行业媒体零售体育技术类别商业教育政府行业零售2e−042e−040e+000e+00050001000003000边数6000边数9000按类别划分的面密度图按类别划分的圆密度图32.01.51.0类别商业设计教育食品饮料政府行业媒体零售体育技术21类别商业设计教育食品饮料政府行业媒体零售体育技术0.50.00246012345数量的多边形圈数图7：按类别或国家/地区划分的低级别要素的密度图更多的圆形和多边形比欧洲的标志，与南美的标志展示更多的边缘。2.4图像特征和可记忆性（似然性）我们做了一个初步的分析，将低层次的特征与记忆力和可爱性相关联。为了简化解释，我们总结了从表中的无模型结果中确定的关系？？，其中−表示负，U表示U形曲线，Inverse U表示反U形曲线，NS表示不显著。关系#边缘#线路#圆#多边形 色调饱和值记忆性线性+U倒U倒U−5NSNS可爱程度线性+U倒UUNSNSNS表1：低级特征和可记忆性/可能性密度密度密度密度8S. Hu和A. Borji3方法为了探索不同的DCNN如何在我们的设计数据集上预测可记忆性和可喜爱性，我们用五种网络架构，三种预训练选项和两种初始化方法进行了实验，我们在第3.1节中详细介绍。为了更好地理解感知和概念流畅性如何影响设计的可记忆性和可喜爱性，我们提出了基于DCNN的流畅性结构测量，并对流畅性测量的可记忆性和可喜爱性分数以及无数控制变量进行非线性回归。我们在3.2节中详细介绍了这种更经济的设计。与感知文献中先前建立的原型性措施相比，我们提出的方法更适合于更大的规模，并且我们独特的数据集的抽象性质与感知中先前的研究不同。3.1预测记忆力和亲和力我们将注释的数据分布到5个随机的训练和测试分割中。我们进行了一系列实验，改变了三个方面：1. 网络架构：AlexNet（[18]）、VGG 16（[24]）、VGG 19（[24]）、Inception-V3（[25]）和ResNet-50（[9]）;2. 预培训：ImageNet [2]具有迁移学习的预训练模型（仅最后一层被重新训练），ImageNet预训练模型，然后进行微调（最后三层分别被重新训练15和20个时期，用于记忆力和喜好度预测），从头开始训练而没有预训练;使用欧几里德损失层，因为可记忆性或可喜爱性是单个实值输出;3. 重量初始化：从高斯分布（[ 19]）中提取的随机初始化或[ 8]中提出的鲁棒初始化;3.2测量和识别感知和概念流畅性概念流畅度：熵与Kullback-Leibler发散回想一下，我们将概念流畅性定义为是否/如何感知潜在的品牌标识，为此，我们使用DCNN预测结果提出了两个基于信息理论的度量：熵和Kullback-Leibler散度。具体来说，我们以与第3.1节所述相同的方式在我们的数据集上训练深度残差网络[9]，除了微调中最后一个全连接层的输出被馈送到最后的39路softmax层，代表我们设置中的39个不同的工业身份。交叉熵损失取代了欧几里得损失，因为地面实况是一次性向量。 给定我们微调的ResNet用于标识类别分类的输出分布（表示为Q）和真实类别标签（表示为P），我们将我们关于概念流畅性的度量定义为从P到Q的Kullback-Leibler散度，写作DKL（P |Q）。标志设计、记忆力和可爱性9基于内容歧义作为内容歧义的50004000200003000200010000100000012内容模糊度评分（香农熵）30510内容模糊评分（KL Divergence）1520我们提取的用于测量概念流畅性的另一个维度是Q的香农熵，H（Q），深度网络的输出分布作为我们的度量：ΣCD KL（P|Q）=PC测井.Pc公司简介，H（Q）=−Qclog（Qc）（1）c=1Qcc=1其中P表示真实类别标签的独热向量表示，Q表示由DCNN给出的推断类别标签分布。我们在图8中绘制了所提出的概念流畅性测量的经验分布。直观上，KL对概念流利性的偏离应该反映出来图8：两种概念流畅性测量的经验分布（通过直觉，它们测量了徽标内容模糊的两个维度）(or惊讶）的感知分布身份从真正的身份，而熵的概念流畅性只反映了感知的分布身份。因此，KL测度易受有关标识的工业规范的影响，其“幂律“的性质与工业规范的性质无关，而经济运行方式则遵循大数定律，不受工业规范的约束感知流畅度：感知复杂性和感知原型性我们计算数据集中每个设计的图像熵作为感知复杂性的度量，因为感知研究和算法信息理论假定压缩图像文件可以准确地测量图片复杂性。这些措施已被证明与设计复杂性的主观评级呈正相关（[3]）。我们以与概念流畅性相同的方式测量感知原型典型性，除了熵是基于每个设计的1000个具体对象的预测分布计算的（表示为Q，Q的相同香农熵在等式1中详细描述，从基于ImageNet初始化的微调ResNet-50（[9]）获得。我们提出和测量这些结构的基础上，以前的研究结果，借鉴了一个内在的和基本的真理的方式，视觉系统的操作：“这一点是指一个人的preférenceforanydesignedependesonthehexten吨，其视觉处理是令人这个过程取决于频率频率10S. Hu和A. Borji视觉设计的两个不相关的方面-事前处理期望和事后处理效率。当设计更典型、招募的神经资源更少、处理速度更这种快速，有效的处理导致肠道水平的积极情感反应[29]。每当人们对难度有一个处理预期时，这种直觉层面的影响就会增加设计的感知可爱性处理期望取决于设计的视觉复杂性当人们预期处理过程中的困难另一方面，当由于设计在视觉上简单而导致处理期望较低时，人们将由处理效率引起的肠道水平情感反应归因于设计简单性，并且他们校正了对他们的预期的影响的增加[30]”（[ 20]）。直观地说，这个指标意味着在何种程度上的标志视觉元素与可识别的对象类别重叠的原型，因此，我们把它作为一个图像原型性措施，在感知研究的理论，我们已经详细介绍了第1节。 这个度量标准也可能会吸引设计模式的具体性（抽象性），这似乎是另一个有待解决的开放问题。4结果和讨论我们在表2中记录了（1）计算前沿预测任务实验的当前结果（秩相关性，遵循[17]）;以及（2）感兴趣的变量（我们提出的概念和感知流畅性的测量）的统计显著性相对于表3中的注释的可记忆性和可喜爱性分数回归（其中显著性重要而不是预测准确性）。将等级相关性在五个分裂中平均两次- 一次用于可记忆性预测，一次用于可爱性预测。在[17]中，等级相关性峰值为0.64，在自然图像的设置中，人类我们和他们之间的差异可能是由于（1）与自然图像或照片相比，视觉设计的额外模糊性和主观性;（2）他们在最后一个具有欧氏损失的全连接层上添加了一个额外的支持向量回归步骤，我们可以很快完成。我们遵循以前的文献中的大多数超参数的选择在训练过程中。我们选择的训练时期的数量的基础上，试点实验期间的损失函数的值总是在15个时期后，预测记忆力分数和25个时期的喜爱分数的平台。 在图9中，我们绘制了损失函数值在训练时期内的演变，这些训练时期是由第3.1节中详细描述的不同配置产生的。接下来，我们从经济学和计量经济学的角度来解释回归模型的结果。标志设计、记忆力和可爱性11- -等级相关转移Finetune权重初始化随机ImageNet随机ImageNetAlexNet0.370.410.400.39VGG160.400.380.440.40VGG190.360.380.380.41InceptionV30.500.510.540.55ResNet500.500.500.580.58表2：来自测试集的等级相关性结果，在五个分割因变量：喜欢喜欢∗∗∗ ∗∗∗ ∗∗∗ ∗∗∗感知复杂度（PC）0.290 0.278 0.027 0.012-0.000-0.000-0.088-0.037−0.001*概念KL Divergence2-0.000（0.000）-0.000（0.000）-0.000（0.000）-0.000（0.000）PC ×概念熵-0.0010.011（0.003）（0.003）感知复杂度×KL散度0.000−0.002（0.001）（0.001）PPI ×概念熵0.001∗∗∗0.006PPI× KL散度（0.001）-0.000（0.001）-0.001（0.000）（0.000）常数0.918∗∗∗1.010∗∗∗0.328∗∗∗0.299∗∗∗（0.008）（0.008）（0.007）（0.008）观察123，928 123，928 123，928注：*p 0.1;** p 0.05;* p 0.01表3：知觉流畅性和概念流畅性对可记忆性和可喜爱性（0.004）（0.004）（0.004）（0.004）感知原型性（逆）（PPI）−0.010***-0.011∗∗0.003∗∗0.005（0.002）∗∗∗类别-0.000（0.002）∗∗∗（0.001）∗∗（0.001）∗（0.000）（0.000）（0.000）国家0.0000.0000.000（0.000）（0.000）（0.000）∗∗∗概念熵（更模糊）−0.018∗∗∗∗∗-0.035（0.002）（0.004）（0.002）（0.004）（0.001）（0.001）（0.001）（0.001）概念熵2−0.002**∗∗0.002∗∗∗0.009∗∗∗0.006（0.001）（0.001）（0.001）（0.001）2PP（I）∗∗∗0.002∗∗∗0.002∗∗∗ −0.001**12S. Hu和A. Borji图第9章训练过程中欧氏损失的演变表3中所示的感知复杂性的一致正显著线性效应支持视觉处理期望理论，即当消费者在处理某些设计模式时经历认知困难时，他们错误地归因于更大的感知视觉处理流畅性，这是由于调整后的更高期望对该设计的更大喜爱。在第3列和第4列中，内容模糊性（概念熵）和设计可爱性之间的一致二次因果关系是显著的，这为我们的假设提供了证据，即含义不同的标识可能会突出并更受欢迎，但如果含义非常模糊，它们将不那么受欢迎。另一个概念流畅性的措施-预测和真理之间的KL分歧-定性地产生相同的效果设计的可爱性和记忆性。那些在意义上几乎没有偏见的标志既不容易被记住也不太喜欢，那些在意义上大多被错误理解的标志也不容易被记住。知觉流畅性对设计记忆性和可爱性的影响与假设相反：中等水平的原型性增加了记忆，但降低了情感，知觉复杂性也是如此。一个设计在视觉上越复杂，感知者对设计的视觉加工期望就越大，对设计模式的积极倾向就越多。当设计模式看起来非常通用或高度原型化时，它会引起较少的注意，但会增加影响，因为它在认知上快速且易于处理。相反，低原型反过来又会导致视觉过载，阻碍视觉编码，导致记忆力下降，但积极影响更大，因为它鼓励认知加工。这可能表明一个有趣的故事之间的相互作用的程度，其中一个标志设计是模糊的，在其内容对它的行业内容和它的感知记忆。当一个标志以最清晰的方式传达公司的工业特征时--太过概念上的原始--典型，就不太可能被消费者记住。可能的解释包括：（1）视觉处理期望被调整得更低，降低了整体图像处理流畅性，因此降低了对设计模式的积极倾向;（2）模式在类别中变得通用，使其培训期间的损失演变ImageNet权重初始化，使用迁移学习进行预训练培训期间的损失演变ImageNet权重初始化，预训练和微调0.750.75alexnetinceptionresnetvgg16VGG190.500.50alexnetinceptionresnetvgg16VGG190.250.25可爱程度记忆性可爱程度记忆性0.000.00051015时代2025051015时代2025损失函数损失函数标志设计、记忆力和可爱性13感知者很难将设计模式与焦点公司或品牌的身份联系起来。当一个标识在其工业内容方面看起来非常模糊时，它也会更经常被消费者遗忘，这可能是由于所涉及的额外认知处理困难干扰了处理流畅性并超过了调整后的处理期望差距。Kullback-Leibler分歧措施的概念流畅性方面的焦点公司的真实身份显示出显着的积极影响，消费者的记忆力。它支持反向相对概念流畅性效应，即视觉处理期望随着相对于真实公司或品牌标识的感知概念流畅性的增加而提高，因此，在给定高期望的情况下，相对处理流畅性的增加会导致更强的预测图像原型性和概念流畅性之间的负显着交互作用对设计的喜爱程度表明，两对结构之间的当一个标志设计的意义高度模糊，或者当一个公司的感知工业身份所代表的标志是从它的真实身份是不同的，在一定范围内，较低水平的感性原型对其可爱性的积极影响是温和的。这种调节效应可以解释为当设计模式的含义非常模糊时，感知者会产生额外的认知加工成本另一方面，当一个标志在其视觉风格上是复杂的时，内容模糊相对于其真实的分类内容对亲和力的积极影响是缓和的，而内容模糊的设计模式对其亲和力的一阶负面影响是加剧的，与我们在第1节中基于认知阐述和处理流畅性理论的假设一致。5鲁棒性分析对于鲁棒性检查，我们考虑了替代架构，替代数据集和替代方法。– 对于第3.2节中详细描述的感知流畅性的提取，除了ResNet-50 [9]之外，我们还训练了VGG- 16，GoogleNet，ResNet-101，ResNet-152，并以与所述相同的方式计算指标。当在我们的模型规范中用作回归量时，除了变得不显著的三阶项之外，大多数所得系数保持定性不变。 对于第3.2节中详述的概念流畅性的提取，我们微调ResNet-50和GoogleNet以训练工业类别分类器作为鲁棒性检查。由此产生的两个措施的概念流畅性的基础上香农熵和Kullback-Leibler分歧产量系数估计，保持定性不变，从以前的模型结构。– 我们在另一个从Goodreads收集的设计数据集的随机子样本上测试了同样的想法，该数据集由5575892本书的封面图像组成，书籍类型被标记为类别。在总共1005种类型中，我们随机抽取了39种，在每种类型中，我们随机抽取了1000本书，形成了39000本的子样本。14S. Hu和A. Borji书籍封面设计图片我们收集了11041个随机子样本的当记忆性被指定为因变量时，回归系数定性地保持相同当因变量是可爱性时，风格熵平方和图像熵离散度的系数不显著，而其他一阶和二阶结果保持定性相同。– 我们遵循[17]中的方法，并在我们的数据集上训练DCNN，以直接预测注释分数。我们将每一层的激活神经元可视化，用于记忆性和可爱性的预测任务。6结论标志是公司和品牌的视觉表现品牌标志的有效设计是艺术与科学的精心融合虽然标志应该在美学上吸引目标消费者，但公司确实花费了大量的时间和金钱来制作标志设计，以揭示品牌的核心信息。这些努力并非毫无根据，因为研究表明，消费者将他们从标志设计中得出的推论归因于相关的公司和品牌，甚至更广泛的环境（[6，23，13]）。因此，对于跨国公司和年轻企业家来说，更好地理解是什么让标志设计令人难忘和讨人喜欢仍然是相关的作为实现这一目标的第一步，我们收集了两个大规模的视觉设计图像数据集（一个是商业标志，另一个是封面设计），其中包含丰富的元数据，这些数据有望证明对商业和视觉研究社区有价值我们实验并比较了不同的DCNN架构在预测设计记忆性和可爱性方面的表现。我们提出并提供了基于训练DCNN的估计 方 法 ， 以 提 取 和 评 估 用 于 设 计 的 两 个 独 立 结 构 ： eachlogo的pereptualdistinctives（“p e r e p t u al f l u e n c y”m e t r i c s）和d a m b i g in m e n i n g（“c e p t u al f l u e n c y”m e t r i c s）。我们提供了一个因果推理的证据，证明这两个结构都显著影响了对标志设计的记忆，这与认知加工理论是一致的。然而，对喜欢的影响[22，20]）。利用我们的数据集或结果的潜在有趣扩展包括：– 根据品牌形象和市场地位，开发生成性对抗网络，用于标识生成和口号生成;– 自动讲故事或生成给定徽标和商业标识的签名故事;– 探索是什么让一个标志口号组合令人难忘和/或讨人喜欢，这似乎呼应了新兴的努力，桥梁语言和视觉。引用1. Bornstein，R.F.、D'Agostino ， P.R.：THEATTRIBUTIOANDDISCOUTINGOFPERCEpTUAL fluency ： Preliminarytests of a perceptual fluency/attributational model of the mere EXPOSU EFFET.SocialC〇 gnit〇n12（2），103标志设计、记忆力和可爱性152. Deng，J.，Dong，W.，索赫尔河Li，L.J.，Li，K.，李菲菲：Imagenet：一个大规模的分层图像数据库。在：计算机视觉和模式识别，2009年。CVPR2009。 IEEEConfencen。pp. 248-255 02The Dog（2009）3. Donderi，D.C.：视觉复杂度：审查. Psychological bulletin 132（1），73（2006）4. 是的，W。K. ：一种用于进行搜索的简单模块。C〇 gnitivepsych〇 l 〇 gy18（4），5005. Flavell ， J. H. ： Metacognitionandcognitivemonitoringg ： Anewareofcognitive-developmental inquiry. American Psychologist 34（10），906（1979）6. Hagtvedt ， H. ： 不 完 整 的 字 体 标 志 对 企 业 认 知 的 影 响 。 J 〇urnalofMarketing75（4），867. Halberstadt，J.，Rhodes，G.：非面孔的吸引力平均值：对普通面孔吸引力的进化解释的启示。PsychologicalScience11（4），2858. 他，K.，张，X.，Ren，S.，孙杰：深入研究整流器：在imagenet分类上超越人类水平的性能。In：Proceedings of the IEEE interna-tionalc onfenceo n conc omutervison. pp. 10269. 他，K.，张，X.，Ren，S.，孙杰：用于图像识别的深度残差学习在：IEEE计算机视觉和模式识别会议论文集。pp. 77010. Hintzman ， D.L. ： 人 类 的 学 习 和 记 忆 ： 连 接 和 分 离 。AnualreviewofPsychology41（1），10911. Isola，P.，肖，J.，Parikh，D. Torralba，A.，Oliva，A.：是什么让一张照 片 令 人 难 忘 ？ IEEE Transactions on pattern analysis and machineintelligence 36（7），146912. Isola，P.，肖，J.，Torralba，A.，Oliva，A.：是什么让一张照片令人难忘？IEEE计算机视觉与模式识别会议（CVPR）pp. 14513. 江，Y.，Gorn，G.J.，加利，M.，Chattopadhyay，A.：你的公司有合适的logo吗圆形和角形标志形状如何影响品牌属性判断。J〇urnal〇fC〇ns umerReserc h42（5），70914. Khosla，A.班布里奇，西Torralba，A.：修改面部照片的记忆性IEEEProceedings（2013）15. Khosla，A.肖，J.，Torralba，A.：图像区域的可扩展性。神经科学进展（2012）16. Khosla，A. Das Sarma，A.，Hamid，R.：是什么让一个形象受欢迎？在：世界银行第23次定期会议的过程中。pp. 867-876 ACM（2014）17. Khosla，A.等：大规模理解和预测图像记忆性。国际计算机视觉会议（ICCV）（2015）18. Krizhevsky，A.，萨茨克弗岛Hinton，G.E.：使用深度卷积神经网络的图像网分类在：NIPS（2012）19. Krizhevsky，A.，萨茨克弗岛Hinton，G.E.：使用深度卷积神经网络的图像网分类。在：神经信息处理系统的进展。pp. 109720. Landwehr，J.R.等：喜欢平凡的人：结合设计流畅性意味着为客户提供更灵活的解决方案。MarketingScince30（3），41621. Langlois ， J.H. ， Roggman ， L.A. ： 有 魅 力 的 面 孔 只 是 平 均 水 平 。Psychologicalscenence1（2），11522. Lee，A.Y.，Labroo，A.A.：概念流畅性与知觉流畅性对品牌评价之影响。J〇urnalofMarketingReserch41（2），15116S. Hu和A. Borji23. Rahinel河Nelson，N.M.：当品牌标识描述环境时：设计中的稳定性和安全导向产品的实用性消费者研究杂志43（3），47824. 西蒙尼扬，K.，齐瑟曼，A.：用于大规模图像识别的深度卷积网络。ArXiv预印本arXiv：1409.1556（2014）25. 塞格迪角刘伟，Jia，Y.，Sermanet，P.，Reed，S.，Anguelov，D.，Erhan，D. ， Vanhoucke ， V. ， Rabinovich ， A. ： 更 深 的 回 旋 。 In ：ProceedingsoftheEEEconnferenceoncomputerisionandpater nrecognition. pp. 126. Veenman，M.V.，Van Hout-Wolters，B.H.，Afflerbach，P.：元认知和学习：概念和方法方面的考虑。元认知与学习1（1），327. Wang，M.C.，哈特尔，G.D.，Walberg，H.J.：什么影响学习？内容通常是回顾性的。TheJ〇urnalofEducati onalResearch84（1），3028. Whittlesea，B.W.：熟悉的幻觉。实验心理学杂志：学习，记忆和认知19（6），1235（1993）29. Winkielman，P.，Cacioppo，J.T.：心灵放松使脸上露出笑容：心理学证据表明加工促进引发积极影响。Journal of Per-sonal ityandSo cialPsych〇 logy81（6），98930. Winkielman，P.，Halberstadt，J.，Fazendeiro，T.，Catty，S.：原型是吸引人的地方。PSYCHLOGICALSCIENCE17（9），79931. Winkielman，P.，Schwarz，N. Fazendeiro，T.，雷伯河Musch，J.，Klauer，K.C.：处理流畅性的快乐标记：评价性判断的含义。评价心理学：认知与情感中的情感过程。189
我的内容管理
展开
