Jumping into the artistic deep end: building the catalogue raisonné
Jumping into the artistic deep end: building the catalogue raisonné
复制标题
跳入艺术深处：构建目录全集
DOI：
10.1007/s00146-021-01370-2
复制
发表时间：
2022
期刊：
影响因子：
3
通讯作者：
Dobbs T
中科院分区：
文献类型：
--
作者：
Dobbs T
由艺术学者编制的全集目录包含有关艺术家作品的信息，例如绘画的图像、媒介、出处和标题。目录全集作为有形资产，面临着艺术认证和无常性的挑战。由于目录全集是数字化的，无常性的挑战减弱了，但身份验证的挑战仍然存在。随着人工智能及其计算机视觉深度学习架构的普及，我们建议通过为数字目录全集创建一个新的人工制品来解决身份验证挑战：数字分类模型。这种数字分类模型将通过一种工具来验证艺术家提出的艺术品，从而帮助艺术学者提出新的艺术品主张。我们通过对 90 名至少拥有 150 件艺术品的艺术家训练机器学习模型来创建这个工具，并达到 87.31% 的准确率。与使用 WikiArt 数据库的最先进的艺术家分类实验相比，我们使用 ResNet 卷积神经网络来提高艺术家类别的准确性和数量。我们通过提供一致的方法来重新创建我们的数据集并提供一致的方法来计算基于不平衡数据的表现指标，从而解决学者们对艺术家分类的方式不一致的问题。
The catalogue raisonné compiled by art scholars holds information about an artist’s work such as a painting’s image, medium, provenance, and title. The catalogue raisonné as a tangible asset suffers from the challenges of art authentication and impermanence. As the catalogue raisonné is born digital, the impermanence challenge abates, but the authentication challenge persists. With the popularity of artificial intelligence and its deep learning architectures of computer vision, we propose to address the authentication challenge by creating a new artefact for the digital catalogue raisonné: a digital classification model. This digital classification model will help art scholars with new artwork claims via a tool that authenticates a proposed artwork with an artist. We create this tool by training a machine learning model with 90 artists having at least 150 artworks and achieve an accuracy of 87.31%. We use the ResNet Convolutional Neural Network to improve accuracy and number of artist classes over state-of-the-art artist classification experiments using the WikiArt database. We address inconsistencies in the way scholars approach artist classification by providing a consistent method to recreate our dataset and providing a consistent method to calculate performance metrics based on imbalanced data.
登录
查看更多内容
影响因子：
1.6
作者：
Abramovich, Felix;Pensky, Marianna
通讯作者：
Pensky, Marianna
文艺复兴时期绘画的艺术家鉴定
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
Jonathan Jou;Sandeep Agrawal
通讯作者：
Sandeep Agrawal
基于 CNN 的按插画风格对艺术家进行分类的标准
DOI：
--
发表时间：
2020
期刊：
International Conference on Image, Video and Signal Processing
影响因子：
--
作者：
Kazuma Kondo;Tatsuhito Hasegawa
通讯作者：
Tatsuhito Hasegawa
MATLAB 深度学习与机器学习神经网络和人工智能第一版
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
L. A. Auersvald;D. Rothstein;S. Oliveira;C. Q. Khuong;G. Basadonna
通讯作者：
G. Basadonna
奥尼艺术
DOI：
10.1145/3273022
发表时间：
2018
期刊：
ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM)
影响因子：
--
作者：
Gjorgji Strezoski;M. Worring
通讯作者：
M. Worring