基于自训练自编码变换集成的艺术风格分类
计算机视觉与模式识别
2020-12-08 v1 人工智能
摘要
绘画的艺术风格是一种丰富的描述符，揭示了艺术家如何独特地描绘和表达其创作愿景的视觉与深层内在知识。在不同艺术运动和风格间对绘画进行准确分类，对于艺术数据库的大规模索引至关重要。然而，在计算机视觉研究领域，这些高度密集的艺术特征的自动提取与识别几乎未受关注。本文中，我们研究使用深度自监督学习方法来解决具有高类内差异和低类间差异的复杂艺术风格识别问题。此外，我们在具有27个艺术类别的高度类别不平衡的WikiArt数据集上以近20%的优势超越现有方法。为此，我们用有限的标注数据样本训练EnAET半监督学习模型（Wang et al., 2019），并以从空间与非空间变换集成中学到的自监督表示对其进行补充。
引用
@article{arxiv.2012.03377,
title = {Art Style Classification with Self-Trained Ensemble of AutoEncoding Transformations},
author = {Akshay Joshi and Ankit Agrawal and Sushmita Nair},
journal= {arXiv preprint arXiv:2012.03377},
year = {2020}
}
备注
6