你的艺术有多深：单任务单模态神经网络在艺术理解极限上的实验研究
计算机视觉与模式识别
2024-01-22 v3 机器学习
摘要
艺术品意义的计算机建模复杂且困难。这是因为艺术阐释是多维度且高度主观的。本文通过实验探究了最先进的深度卷积神经网络（DCNN）——一种流行的机器学习方法——能在多大程度上将现代概念艺术作品正确区分到艺术策展人设计的画廊中。我们提出两个假设：DCNN 模型使用展露属性（如形状和颜色）而非非展露属性（如历史背景与艺术家意图）进行分类。这两个假设通过为此目的设计的方法得到了实验验证。在 ImageNet 数据集上预训练并判别式微调的 VGG-11 DCNN 在由真实概念摄影画廊构建的手工数据集上训练。实验结果支持了两个假设，表明 DCNN 模型忽略非展露属性，仅使用展露属性进行艺术品分类。本工作指出了当前 DCNN 的局限性，应由未来的 DNN 模型加以解决。
引用
@article{arxiv.2203.16031,
title = {How Deep is Your Art: An Experimental Study on the Limits of Artistic Understanding in a Single-Task, Single-Modality Neural Network},
author = {Mahan Agha Zahedi and Niloofar Gholamrezaei and Alex Doboli},
journal= {arXiv preprint arXiv:2203.16031},
year = {2024}
}