这是一篇论文的解读，原文标题：
Learning Visual Importance for Graphic Designs and Data Visualizations
该论文解决了预测平面设计作品的视觉焦点这一问题，帮助我们预测用户点击行为，或者评估平面设计作品的设计质量，下图是其训练结果与测试结果的对比图：
该论文基于FCN像素语义分割。
Fully Convolutional Networks for Semantic Segmentation，简称FCN，是一种 end-to-end的做semantic segmentation的方法。
FCN可以基于若干种结构(VGGNet, AlexNet, SIFT-Flow)。结果最好的是基于 VGGNet的FCN-32/16/8s。
FCN个明显的优点：
可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。
可以看下本论文的训练数据，尺寸都不一样，非常自由，如下图所示：
下图为本论文的原理：
我比较关心这2个方面：
一、数据集：
训练集862组，设计图跟视觉焦点图各862张；
测试集216组。
大概有个1000组数据就可以做到此论文的预测结果，可以以此为参照，准备自己的训练数据集。
GDI (Graphic Design Importance) Dataset
二、应用：
辅助设计：
改变字体颜色，大小，位置，都会影响视觉焦点，集成到设计工具中，可以实时地告诉用户，设计图的焦点在哪里，达到辅助设计的目的。
自动生成缩略图：
减少很多人力去做裁切缩略图的工作，以后裁切设计图，不需要美工参与了。
论文点击“阅读原文”即可查阅。
设计+人工智能的文章推荐：
以下为广告：
付费社群--知识星球
免费社群--MixLab微信群
聚集各路跨界能手——有各领域的设计师、程序员、算法专家。
也许我们可以一块做点好玩的事情。如需入群可以联系我。
赞赏专用：
关于：
本公众号定期更新关于设计师、程序员发挥创意互相融合的指南、作品。
主要技术栈：nodejs、react native、electron、Elasticsearch、Solidity、Keras。欢迎关注，转发～
