深度集成艺术风格识别
计算机视觉与模式识别
2024-05-21 v1 人工智能
摘要
过去数十年来，艺术品的大规模数字化造就了对与抽象概念相关的海量数据进行分类、分析和管理的需求，这是计算机科学领域的一个具有挑战性的问题。人工智能和神经网络的快速进步提供了值得关注的工具和技术。对艺术作品中各种艺术特征的识别在深度学习社区中受到关注。本文关注的是使用深度网络进行艺术风格识别的问题。我们比较了 8 种不同深度架构（VGG16、VGG19、ResNet50、ResNet152、Inception-V3、DenseNet121、DenseNet201 和 Inception-ResNet-V2）的性能，这些架构在两个不同的艺术数据集上进行测试，其中包括从未在此任务上使用过的 3 种架构，实现了最先进的性能。我们研究了在应用深度学习模型之前进行数据预处理的效果。我们引入一种堆叠集成方法，通过元分类器组合第一阶段分类器的结果，以创新性地基于多个模型提取和识别输入的不同特征，创建与现有工作相比更一致的模型，并在最大可获得艺术数据集 (WikiArt - 68.55%) 上实现最先进的准确率。我们还讨论了数据和艺术风格本身对模型性能的影响，形成对该问题的流形视角。
引用
@article{arxiv.2405.11675,
title = {Deep Ensemble Art Style Recognition},
author = {Orfeas Menis-Mastromichalakis and Natasa Sofou and Giorgos Stamou},
journal= {arXiv preprint arXiv:2405.11675},
year = {2024}
}