机器学习和深度学习模型在多画家识别中的协同作用
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
本文提出一种基于深度卷积自编码神经网络的新方法,用于画家分类问题,相对于先前的图像处理和手动特征提取,该方法在原始像素级别进行操作,采用深度卷积自编码和有监督的卷积神经网络,将原有的 90.44%分类准确率提高到 96.52%。
Nov, 2017
本文提出一种高效和准确的多任务学习方法,应用于艺术领域,并证明其在艺术数据上优于手工特征方法和卷积神经网络。此外,我们还提出了一个类似挑战性质的数据集,以激发更多的研究和社会参与。
Aug, 2017
通过在基于模型的深度强化学习中应用神经渲染器,我们展示了如何教授机器像人类画家一样用少量笔画来创作精美的油画。实验表明,不需要画家的经验或笔画跟踪数据,可以使用数百个笔画取得出色的视觉效果。
Mar, 2019
本文研究了如何提取适当的视觉特征,找到学习这些特征的最佳方法,进而学习绘画之间的相似度,探讨了构建多媒体系统来存档和检索艺术品数字化收藏的相关问题,并提出用于美学上的语义层预测,如预测绘画风格,流派和艺术家,实验结果表明该相似度测量方法适用于上述预测任务。
May, 2015
研究人机协作绘图环境,在其中自主代理绘制图像的同时,可选择允许用户直接影响代理的轨迹。我们结合了蒙特卡罗树搜索和图像分类器,测试了浅层模型(例如多项式逻辑回归)和深度卷积神经网络(例如 LeNet,Inception v3)。我们发现,使用浅层模型,代理会产生有限种类的图像,这些图像显然对人类来说是可识别的。然而,使用更深层次的模型,代理产生了更多样化的图像,尽管代理非常有信心(99.99%)地完成了其目标,但在人类眼中,它们大多类似于不可识别的 “随机” 噪声。这与最近的研究有关,该研究也发现 “深度神经网络很容易被愚弄”,我们讨论了可能的解决方案和未来的研究方向。
Dec, 2016
本文旨在确定 Deep Neural Networks 在处理抽象语义操作时的局限性,并提出了一种使用认知架构来判断艺术品类别的新的计算方法。
Dec, 2022
本文探讨了 AI 生成艺术领域,深入研究了用于创造艺术的各种深度神经网络体系结构和模型,包括传统的卷积网络和最前沿的扩散模型,并且实例展示了这一领域的关键成果,总结了这些模型的优缺点,探讨了目前深度神经网络在短时间内所取得的显著进展,展现了艺术与计算机科学的独特融合。
Feb, 2023
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
本文介绍了一种基于计算机视觉的算法,利用多样性特征融合和区域投票技术可以准确地搜索和定位艺术品中指定的图案或物体,有效地解决了大规模数字化艺术品数据集的图像检索问题。
Jul, 2021