解构平面设计理论

平面设计经常把建筑学当作学习的源泉。我们希望 (像建筑学一样) 为我们的工作注入同样密集的理论知识和同样内容广泛、享誉四海的评论意见。但我们不是建筑师,我们是平面设计师。我们的角色更模糊。我们在印刷和网络、二维和三维之间穿梭。我们的作品更易于生产,(存在的时间) 也更短暂。这种易变性,以及平面设计本身所具有的实用主义的不利倾向,使得明确平面设计理论的主体变得困难重重。

果真如此吗?

自从有了平面设计这一行,平面设计师就已经下笔描述过他们作品背后的理念。想一想 F. T. 马里内蒂 (F. T. Marinetti)、拉斯洛·莫霍利-纳吉 (László Moholy-Nagy)、赫伯特·拜耶 (Herbert Bayer)、约瑟夫·缪勒-布罗克曼 (Josef Müller-Brockman)、卡尔·格斯那 (Karl Gerstner)、凯瑟琳·麦考伊 (Katherine McCoy)、简·范·图恩 (Jan van Toorn),以及近来的杰西卡·赫范德 (Jessica Helfand)、德米特里·西格尔 (Dmitri Siegel) 和原研哉 (Kenya Hara)。与建筑学和美术相比,这些工作的主体虽然微不足道,却也激昂而有力。

平面设计相关的文字散见在 "理论" 的不同分类中。有些人分析制作的过程。比如说,包豪斯实验 (Bauhaus experiments)、被归入国际主义平面设计风格 (International Typographic Style) 范围的方法,以及贴上 "设计研究" 标签的当代探索。有些文字审视了视觉作品背后的理念。作者 "阅读" 设计图或者设计文本,并把它们置于更广泛的历史/文化情景中。另外,有些人则把其他方面的理论著述应用到平面设计领域——解构分析理论、符号学、性别研究。当然,许多开山之作使得这些分门别类变得模糊起来。

在我的研究过程中,我致力于强调自己理论基础的价值,并鼓励其他人多读多写。最近在写作一本书时,让我考虑到今天这一行所面临的一系列问题。理论可以帮我们应对这些问题。

1989年,凯瑟琳·麦考伊在克兰布鲁克艺术学院 (Cranbrook) 毕业设计展所做的 "看读" (See Read) 海报,在一幅由近期毕业学生作品组成的摄影拼贴画上,覆盖了一系列或许自相矛盾的设计理念和一幅沟通理论的模式图——这个模式说明如何将解构学和结构主义者/后结构主义者的文学理论应用到平面设计的视觉和口头过程中;1925年,一张出自拉斯洛·莫霍利-纳吉的《绘画,摄影,电影》(Malerei, Photographie, Film) 一书的跨页,;以及一张出自《平面设计: 新基础》(Graphic Design: The New Basics) 一书的跨页,该书2008年由美国纽约的普林斯顿建筑出版社 (Princeton Architectural Press) 出版,由艾伦·勒普顿 (Ellen Lupton) 和詹妮弗·科尔·菲利普 (Jennifer Cole Phillips) 设计和编写,其中勒普顿探讨了平面设计实践中新兴的一般概念,包括像透明画和分层法这些新涌现的相关概念。
    设计越来越存在于其使用者的行为中
    想一下 Flickr、Facebook、Etsy 手工制品电子商务平台、Lulu 自助出版平台、Threadless 网上T恤设计和众多的博客。在软件和网络预先将设计分成不同的模板后,使用者会带着加入自己制作的内容和塑造个性视觉特征的期望加以应用。德米特里·西格尔把这种现象称之为 " 模板化的思维"。设计师们正努力在这种 DIY 现象中找好自己的位置。创造力不再是一个单独的 "创意阶层" 所独占的领域。通过开发促进他人创造的框架,设计师可以引领这种新的参与式文化;然而,这么做的话,意味着让我们一度专业化的技能变得更加普遍和易得。这种知识转移对某些人来说是威胁,对某些人来说则是解放。
    正当我们为反对技术而斗争时,它改变了我们的审美观
    尽管摄影图库的流行和 Adobe Creative Suite 软件那庞大的保有量,设计师在任何场合都力求创造独一无二的视觉表达效果。同时,正如设计和媒体评论家列夫·马诺维奇 (Lev Manovich) 所说,特定的技术、艺术的语言和先前在在各个行业之间相互独立的词汇正在软件应用与不同行业之间流动。这种具有混合性和 "可再混合能力" 的全新通用术语不同于以往所见的任何形式,而现在大多数视觉艺术家正是用这种术语工作的。技术已经不可逆转的改变了我们的审美感,同时给予我们更多或更少的力量。
    我们应该鼓励合作和经验分享
    如果我们不想一起坐下来,那多重触控技术有什么好处?合作和共享推动了改变世界的设计解决方案。尽管我们在线联系,但是许多人正体会到一种日益增长的个人孤立感。作为设计师,我们如何运用促进共享的项目与这种孤立感作斗争?媒体活动家卡尔·拉森 (Kalle Lasn) 已经警告过设计师: "我们已经失去了我们的情节,我们的故事线索。我们已经失去了我们的灵魂。" 拿出能唤起真正联系的作品可能是找回这些灵魂的一种途径。
    今天我们都比15年前写得多了
    博客、电子邮件、推特 (Twitter) ——我们用文字与更多的人交流而不是用语言。如果语法将指令和结构赋予我们的思想,那么写作方面的增长为我们的社会和学识带来了价值。设计的作者身份,这个问题在过去十年的发展过程中被迈克尔·洛克 (Michael Rock)、艾伦·勒普顿和杰西卡·赫范德这些有影响力的人物讨论过,它凸显了文字和图像之间、学科和其著述之间的活跃关系。书面沟通的延伸或许能使得更多的平面设计人才,对设计进行更多的著述,从而做出思想贡献。
    当今社会的主要象征就是网络
   尽管我们并不完全明白在幕后推动当下这个数字时代的电脑程序,但是我们能够理解这个时代的网络化结构并且用设计来满足它。上个世纪初的先锋派艺术家,包括 F. T. 马里内蒂、拉斯洛·莫霍利-纳吉和亚历山大·罗琴科 (Aleksandr Rodchenko) 都擅长激发他们自己的网络: 报纸、杂志、讲座和往来书信。最近,我听了由 H 计划组织 (Project H) 的艾米丽·皮尔顿 (Emily Pilloton) 和人道建筑组织 (Architecture for Humanity) 的卡梅隆·辛克莱 (Cameron Sinclair) 所作的讲座,这两位年轻设计师在国内外为设计师改善人类的基本生活环境创造机会。网络的连通性是他们成功的关键。传递变化和繁荣的高效网络已经就位。我们只需要抓住它们。
   20世纪早期的设计师接受了当时社会的挑战。我们也能承担我们这个时代、新千年的错综复杂。深入研究我们的理论基础使我们有能力应对世界和我们学科中的关键性重要问题。


  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值