論文の概要: Artist, Style And Year Classification Using Face Recognition And
Clustering With Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2012.01009v1
- Date: Wed, 2 Dec 2020 08:01:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 15:05:07.750242
- Title: Artist, Style And Year Classification Using Face Recognition And
Clustering With Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた顔認識とクラスタリングを用いたアーティスト・スタイル・年分類
- Authors: Doruk Pancaroglu
- Abstract要約: 本研究の目的は,CNNを用いて抽出した顔を用いて絵画をクラスタリングするFaceNetのような,新たに開発された顔認識手法を使用することである。
1000人以上のアーティストによる8万点以上の絵画からなるデータセットが選択され、3つの異なる顔認識とクラスタリングタスクが実行される。
生成されたクラスタは、絵画のファイル名によって分析され、クラスタはその大多数のアーティスト、年次範囲、スタイルによって命名される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artist, year and style classification of fine-art paintings are generally
achieved using standard image classification methods, image segmentation, or
more recently, convolutional neural networks (CNNs). This works aims to use
newly developed face recognition methods such as FaceNet that use CNNs to
cluster fine-art paintings using the extracted faces in the paintings, which
are found abundantly. A dataset consisting of over 80,000 paintings from over
1000 artists is chosen, and three separate face recognition and clustering
tasks are performed. The produced clusters are analyzed by the file names of
the paintings and the clusters are named by their majority artist, year range,
and style. The clusters are further analyzed and their performance metrics are
calculated. The study shows promising results as the artist, year, and styles
are clustered with an accuracy of 58.8, 63.7, and 81.3 percent, while the
clusters have an average purity of 63.1, 72.4, and 85.9 percent.
- Abstract（参考訳）: ファインアート絵画のアーティスト、年、スタイルの分類は、一般的に標準的な画像分類法、画像分割法、あるいは最近では畳み込みニューラルネットワーク(CNN)を用いて達成される。
本研究の目的は,CNNを用いた顔認識などの新たな顔認識手法を用いて,抽出した顔を用いて絵画をクラスタリングすることである。
1000人以上のアーティストから8万点以上の絵画からなるデータセットを選択し、3つの異なる顔認識とクラスタリングタスクを実行する。
生成されたクラスタは絵画のファイル名によって分析され、クラスタは大多数のアーティスト、年数、スタイルによって命名されます。
クラスタはさらに分析され、パフォーマンスメトリクスが計算されます。
この研究では、アーティスト、年、スタイルが58.8、63.7、81.3%の精度で集まり、クラスタの平均純度は63.1、72.4、85.9%である。
関連論文リスト
- Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Synergy of Machine and Deep Learning Models for Multi-Painter
Recognition [0.0]
我々は,62名のアーティストを含む絵画認識タスクのための大規模データセットを新たに導入し,良好な結果を得た。
RegNetは、機能をエクスポートする上で、SVMは、最大85%のパフォーマンスを持つ画家に基づいて、イメージの最高の分類を行う。
論文 参考訳（メタデータ） (2023-04-28T11:34:53Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Semantic-Enhanced Image Clustering [6.218389227248297]
本稿では,視覚言語事前学習モデルの助けを借りて,画像クラスタリングの課題について検討する。
イメージを適切なセマンティック空間にマップする方法と、イメージとセマンティック空間の両方からイメージをクラスタリングする方法は、2つの重要な問題である。
本稿では,与えられた画像を適切な意味空間にマッピングする手法を提案し,画像と意味論の関係に応じて擬似ラベルを生成する。
論文 参考訳（メタデータ） (2022-08-21T09:04:21Z) - Clustered Saliency Prediction [7.587433494017506]
本稿では,画像のサリエンス予測のための新しい手法であるClustered Saliency Predictionを提案する。
本手法は,個人的特徴と既知のサリエンシマップに基づいて,被験者をクラスタに分割する。
本稿では,クラスタ化サリエンシ予測手法が,汎用サリエンシ予測モデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-07-05T17:59:37Z) - Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。
提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
論文 参考訳（メタデータ） (2021-07-24T15:36:49Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - Reconciliation of Statistical and Spatial Sparsity For Robust Image and
Image-Set Classification [27.319334479994787]
分類のための画像や画像セットデータをモデル化するために,textitJ3Sと呼ばれる新しい統計空間スパース表現を提案する。
本稿では,J3Sモデルに基づく結合スパース符号化問題の解法を提案する。
実験の結果,提案手法はFMD, UIUC, ETH-80, YTCデータベース上での競合手法よりも高い性能を示した。
論文 参考訳（メタデータ） (2021-06-01T06:33:24Z) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳（メタデータ） (2020-12-15T22:58:23Z) - A Data Set and a Convolutional Model for Iconography Classification in
Paintings [3.4138918206057265]
美術におけるイコノグラフィー(英: Iconography in art)は、美術作品の視覚的内容を研究し、そのモチーフとテーマを決定する分野である。
コンピュータビジョンの技法を前例のない規模のアートイメージの分析に適用することで、図像学の研究と教育を支援することができる。
論文 参考訳（メタデータ） (2020-10-06T12:40:46Z) - CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。
PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2020-03-24T04:55:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。