用于无标签迁移学习的新型艺术场景中心数据集
计算机视觉与模式识别
2024-07-17 v1
摘要
嗅觉常被文化遗产研究所忽视，但在塑造人类经验与身份方面具有深远意义。考察历史描绘的嗅觉场景可提供关于历史中气味作用的宝贵见解。我们展示，使用弱标签训练数据进行迁移学习可显著提高对香氛空间和更广泛的艺术场景描绘的分类效果。我们通过查询两个文化遗产数据源并使用搜索词作为监督信号，对Places365预训练模型进行微调。这些模型在两个手动校正的测试分割上进行评估。本工作为进一步探索香氛空间识别和艺术场景分类奠定了基础。所有图像和标签均在 https://zenodo.org/doi/10.5281/zenodo.11584328 发布。
引用
@article{arxiv.2407.11701,
title = {Novel Artistic Scene-Centric Datasets for Effective Transfer Learning in Fragrant Spaces},
author = {Shumei Liu and Haiting Huang and Mathias Zinnen and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2407.11701},
year = {2024}
}