这篇论文研究了利用人工智能和神经网络技术实现数字化艺术作品的分类和管理，以及通过使用迁移学习和机器学习方法实现画家的自动识别和分类，实现了 85% 的分类准确率。

Apr, 2023

本研究提出了一种考虑多个审美属性的多任务卷积神经网络，在预测图像整体审美得分方面具有超越同类方法和接近人类表现的优势，并且相对于文献中现有多任务神经网络，具有更高的计算效率。

May, 2023

利用深度学习技术，本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验，并引入一种通过多个模型提取和识别输入的不同特征的可变方法，创造了与现有工作相比更一致的模型，在最大艺术数据集上达到了最新的精确度（WikiArt - 68.55%），同时讨论了数据和艺术风格本身对模型性能的影响。

May, 2024

自动艺术分析利用不同的图像处理技术对艺术作品进行分类和归类。本文展示了如何利用艺术图像分类中不同任务获得的特征来解决其他具有相似性质的任务，并提出了改进艺术分类系统的泛化能力和性能的不同方法。此外，我们还提出了一种可解释的人工智能方法，通过模糊规则将图像的已知视觉特征与深度学习模型使用的特征进行映射。我们的结果表明，相较于其他上下文感知和非上下文感知的解决方案，我们提出的上下文感知特征在特定任务上可以获得高达 6% 和 26% 的更准确的结果。我们还展示了其中一些模型使用的特征与原始图像的视觉特征之间的相关性更明显。

Aug, 2023

该研究论文探究了通过可视化网络内部表征和量化学习过程中引入的变化（包括特征空间、参数空间和最大激活图像集合的度量）的方式来理解神经网络在艺术图像上所学习的内容，同时展示了一种双重微调策略可以提高较小数据集上的艺术图像分类性能。

Nov, 2020

提出了一种多模态卷积神经网络的方案，本方案可以在多个尺度上处理风格和纹理提示，从而将艺术风格转移应用到常规照片上，平均效率也高于当前市场上其他方法。

Nov, 2016

本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

Nov, 2016

该研究智能体如何在一次学习过程中掌握多个顺序决策任务。作者们提出一种自适应方法，使每个任务对学习过程的影响基本相同，并在 57 个不同类型的 Atari 游戏中取得了优异的表现，学习了一个超越人类表现的单一训练策略。

Sep, 2018

本文提出了一种自适应共享方法 AdaShare，通过任务特定的策略选择性地决定跨哪些任务共享众多的深度神经网络层，从而实现最佳识别准确度和资源效率。实验表明，该方法针对具有多个任务的不同基准数据集具有优异的效果。

Nov, 2019

本文提出了两种方法：使用多任务学习模型获取上下文数据以在自动艺术分析中使用上下文，以及通过艺术特定的知识图谱获得上下文，为视觉表示增加上下文艺术信息，以实现艺术作品的分类和检索。

Apr, 2019