视觉追踪热图帮Instagram被吐槽新l

简介:

每一次当有大公司更改自家logo时,总有忠诚的粉丝表示不满和失望。比如最近吧,Instagram修改了它的App图标,结果这个由著名设计师Adweek设计的、更加扁平抽象的图标被众多用户评价为“今年最失败的设计”。但是根据一款叫做Dragonfly(蜻蜓)的应用的分析,这样的评论是错误滴!Dragonfly是由数据软件开发商Black Swan和伦敦大学玛丽皇后学院联合开发的一款设计分析应用。它的分析结论是:Instagram的新logo对用户视力的捕捉强化了10%。

视觉追踪热图帮Instagram被吐槽新log

Dragonfly使用了这么一种计算模型——当某人在看一个图片时,模型会分析他的视觉特征,包括方位、对比度、纹理和亮度等,并给图中每个像素打出一个刺激注意力的分数。最后呈现的结果就是热图(heatmap)——热图可以告诉我们什么可以在视力投射的前三秒内更好地抓住人类的注意力。

下面我们使用Dragonfly来分析一下10个著名品牌的新旧logo,如果“显著性分数”满分100, 我们看看它们都拿了多少分,从而判断logo的变化是利是弊。

Instagram的旧版logo分数平平,只有58分,并且它的显著性主要来自于Insta这几个字母,在明亮背景的对应下显得比较突出。

视觉追踪热图帮Instagram被吐槽新log

而新logo拿到了68分的显著性分数,因为它“更加有力”,“更明亮的色彩梯度被白色的摄像头线条所打断”,因此可以吸引视力集中在logo中心位置。

视觉追踪热图帮Instagram被吐槽新log

谷歌的旧版logo拿到了一个还不错的分数——67分,这对于这样一个标志性图案并没什么好惊奇的。

视觉追踪热图帮Instagram被吐槽新log

而它的新版logo分数反而降到了65。Dragonfly认为这是由于它的字母“g”去掉了旧版中的圆环状设计,但这个设计其实蛮吸引眼球的。

Uber的旧版logo,字母中白色的“U”放在黑色背景中具有较强的视觉冲击力,所以Dragonfly给出了65分,还不错!

视觉追踪热图帮Instagram被吐槽新log

  而新版logo就没什么亮点了,所以只有平平无奇的53分。

视觉追踪热图帮Instagram被吐槽新log

Airbnb的旧logo获得了76分的高分!从热图可以看出,旧版logo大面积的红色区域表明其视觉吸引力很高。

视觉追踪热图帮Instagram被吐槽新log

新logo表现也很好,75分几乎和前作持平。插一句话,Airbnb的logo设计的很成功,和它的创始人们具有艺术设计背景有关。

视觉追踪热图帮Instagram被吐槽新log

Twitter的旧版logo中,小鸟的嘴部更大更突出。不过它的“显著性分析”只得到了47分。

视觉追踪热图帮Instagram被吐槽新log

新的logo就好多了,得到了58分,大为进步。新logo中小鸟的嘴巴虽然笑了点,但是成为整个图标的中心,此外新logo也删除了小鸟头顶的羽毛,因为它们会分散注意力。

视觉追踪热图帮Instagram被吐槽新log

  雅虎的旧logo得到了Dragonfly给出的67分。这也是一个经典形象了。

视觉追踪热图帮Instagram被吐槽新log

但是新logo表现更好,得到了69分,因为Dragonfly认为它的“紫色更深,阴影部分明显,让眼睛觉得更新鲜”。但是logo设计得好,也没法挽回雅虎一去不返的颓势。说到底,好logo是个锦上添花的事情。

视觉追踪热图帮Instagram被吐槽新log

Facebook的旧logo拿到了80的超高分,因为它使用了一款清晰明了的、有吸引力的字体。(这都行?)

视觉追踪热图帮Instagram被吐槽新log

新的logo其实改动极小,不过稍微细了一些的字体和更弯曲的“a”字母把分数往下拖了一丢丢——79分。

视觉追踪热图帮Instagram被吐槽新log

著名的啤酒品牌Coors Light(银子弹)旧版logo得到了73分。根据Dragonfly的说法,这是因为它“紧密压缩的”文本“吸引注意力”。

视觉追踪热图帮Instagram被吐槽新log

但是新版本logo分数一下子下降到了57分!因为Dragonfly认为“更宽的文本”会“立刻让注意力分散”。

视觉追踪热图帮Instagram被吐槽新log

  Paypal的旧版logo的白色边缘颇受好评,让这枚logo得到了72分。

视觉追踪热图帮Instagram被吐槽新log

新版logo则移除了白色边缘高光,所以只有66分。此外,蓝颜色明亮度稍高,也会稍微分散注意力。

视觉追踪热图帮Instagram被吐槽新log

  Foursquare的旧版logo表现不错,得了72分。

视觉追踪热图帮Instagram被吐槽新log

但是新logo“后浪推前浪”,斩下82分!这是一系列评测中的最高分。这是因为logo中尖锐的F红色字母和名字“FOURSQUARE”全部大写,比旧版本更为高清明了。

视觉追踪热图帮Instagram被吐槽新log

看了这些有趣的分析,你自己创业的时候也可以试试Dragonfly的打分点评哦,一个吸引人的logo可以给你不小的助力! 

本文转自d1net(转载)

相关文章
|
6月前
|
自然语言处理 安全 数据安全/隐私保护
不影响输出质量还能追踪溯源,大模型无偏水印入选ICLR 2024 Spotlight
【6月更文挑战第7天】研究人员提出了一种无偏水印技术,能在不降低大型语言模型(LLMs)输出质量的情况下实现追踪和归属。此方法被ICLR 2024选为Spotlight论文,保证水印不影响模型性能,保护知识产权,防止滥用。无偏水印的挑战包括设计无损模型质量的实现、有效检测及安全防范措施。[论文链接: https://openreview.net/pdf?id=uWVC5FVidc]
72 2
|
7月前
|
机器学习/深度学习 自然语言处理 计算机视觉
CVPR 2024:生成不了光线极强的图片?微信视觉团队有效解决扩散模型奇点问题
【4月更文挑战第14天】中山大学和微信团队的研究者提出 SingDiffusion,一种解决扩散模型在处理极端亮度图像时的平均亮度问题的新方法。SingDiffusion 可无缝集成到预训练模型中,无需额外训练,通过处理 t=1 时间步长的采样问题,改善了图像生成的亮度偏差。在 COCO 数据集上的实验显示,相较于现有模型,SingDiffusion 在 FID 和 CLIP 分数上表现更优。
87 7
CVPR 2024:生成不了光线极强的图片?微信视觉团队有效解决扩散模型奇点问题
|
机器学习/深度学习 Web App开发 人工智能
随时随地,追踪每个像素,连遮挡都不怕的「追踪一切」视频算法来了
随时随地,追踪每个像素,连遮挡都不怕的「追踪一切」视频算法来了
146 0
|
编解码 人工智能 自然语言处理
只需3个样本一句话,AI就能定制照片级图像,谷歌在玩一种很新的扩散模型
只需3个样本一句话,AI就能定制照片级图像,谷歌在玩一种很新的扩散模型
130 0
|
机器学习/深度学习 传感器 编解码
高精地图落地 | InstaGraM:实时端到端矢量化高精地图新SOTA!
论文提出回归距离转换地图,因为它们在顶点之间提供了强大的空间关系和方向信息,而不是依赖于普通的分割方法。在nuScenes数据集上的综合实验表明,InstaGraM比HDMapNet高13.7mAP,并实现了与VectorMapNet相当的精度,推理速度提高了5倍。
高精地图落地 | InstaGraM:实时端到端矢量化高精地图新SOTA!
|
机器学习/深度学习 数据采集 算法
移动端人脸风格化技术的应用
随着元宇宙、数字人、虚拟形象等概念的爆发,各种数字化协同互动的泛娱乐应用也在不断的落地。例如,在一些游戏中,玩家成为虚拟艺人参与到高还原度的现实艺人日常工作中,并会在特定情况下,与虚拟艺人在人脸表情等层面上形成强映射提升参与感。而由阿里巴巴天猫推出的超写实数字人AYAYI和井柏然联合“带逛”的杂志《MO Magazine》,则打破传统的平面阅读体验,以虚实结合的形式让读者获得沉浸式体验。
364 0
移动端人脸风格化技术的应用
|
机器学习/深度学习 运维 监控
机器学习在高德地图轨迹分类的探索和应用
本文主要针对非机动车、机动车分类探索轨迹分类问题的小结。
机器学习在高德地图轨迹分类的探索和应用
|
机器学习/深度学习 人工智能 缓存
FashionBERT 电商领域多模态研究:如何做图文拟合?
目前学术界关于多模态的研究重点在通用领域,针对电商领域的研究相对较少。在多模态数据匹配上,使用 ViLBERT 方法在通用领域的效果确实不错,但是在电商领域,由于提取的 ROI 并不理想,导致效果低于预期。本文提出了一种图文匹配模型—— FashionBERT,其核心问题是如何解决电商领域图像特征的提取或者表达,分享了模型的整体结构及算法,以及在业务上的应用效果和实验数据提升。该论文已经被信息检索领域国际顶级会议 SIGIR20 Industry Track 接收。(文末福利:贾扬清分享人工智能算法和系统的进化)
4496 0
FashionBERT 电商领域多模态研究:如何做图文拟合?
|
人工智能
分辨垃圾材质自动分类 支付宝升级垃圾分类AI回收箱
在今天召开的云栖大会现场,支付宝推出了智能垃圾箱,可对各类不同材质的饮料瓶自动识别、分类丢弃,为行业领先。
2151 0
分辨垃圾材质自动分类 支付宝升级垃圾分类AI回收箱
|
机器学习/深度学习
深度学习在高德驾车导航历史速度预测中的探索与实践
导读 驾车导航服务是数字地图提供的核心功能。通常而言,用户在发起导航之前会对比高德前端展示的三条路线(如下图),以决定按照哪条路线行驶。 而预估到达时间是用户参考的最为重要的指标之一。给定一条路线,对应的预估到达时间的计算需要两组信息输入,分别是实时路况信息和历史速度信息(历史速度信息指的是对应的平均通行时间)。