Fugu-MT 論文翻訳(概要): Synergy of Machine and Deep Learning Models for Multi-Painter Recognition

論文の概要: Synergy of Machine and Deep Learning Models for Multi-Painter Recognition

arxiv url: http://arxiv.org/abs/2304.14773v1
Date: Fri, 28 Apr 2023 11:34:53 GMT
ステータス: 処理完了
システム内更新日: 2023-05-01 14:28:45.008627
Title: Synergy of Machine and Deep Learning Models for Multi-Painter Recognition
Title（参考訳）: マルチインタラクション認識のための機械学習モデルとディープラーニングモデルの相乗効果
Authors: Vassilis Lyberatos, Paraskevi-Antonia Theofilou, Jason Liartis and Georgios Siolas
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The growing availability of digitized art collections has created the need to manage, analyze and categorize large amounts of data related to abstract concepts, highlighting a demanding problem of computer science and leading to new research perspectives. Advances in artificial intelligence and neural networks provide the right tools for this challenge. The analysis of artworks to extract features useful in certain works is at the heart of the era. In the present work, we approach the problem of painter recognition in a set of digitized paintings, derived from the WikiArt repository, using transfer learning to extract the appropriate features and classical machine learning methods to evaluate the result. Through the testing of various models and their fine tuning we came to the conclusion that RegNet performs better in exporting features, while SVM makes the best classification of images based on the painter with a performance of up to 85%. Also, we introduced a new large dataset for painting recognition task including 62 artists achieving good results.
Abstract（参考訳）: デジタルアートコレクションの普及により、抽象概念に関連する膨大なデータを管理し、分析し、分類する必要性が生まれ、コンピュータ科学の要求の厳しい問題を強調し、新しい研究の視点に繋がる。人工知能とニューラルネットワークの進歩は、この課題に適切なツールを提供する。特定の作品で有用な特徴を抽出するアートワークの分析は、その時代の中心にある。本研究では,WikiArtレポジトリから派生したデジタル絵画の集合における画家認識の問題にアプローチし,移動学習を用いて適切な特徴と古典的な機械学習手法を抽出し,その結果を評価する。さまざまなモデルのテストとそれらの微調整を通じて、RegNetは機能のエクスポートにおいてパフォーマンスが向上し、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、という結論に達した。また,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導入し,良好な結果を得た。

関連論文リスト

Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。 MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文参考訳（メタデータ） (2024-11-26T02:23:31Z)
GalleryGPT: Analyzing Paintings with Large Multimodal Models [64.98398357569765]
美術品の分析は、個人の審美性を豊かにし、批判的思考能力を促進することができる芸術鑑賞のための重要かつ基本的な技術である。アートワークを自動解析する以前の作業は、主に分類、検索、その他の単純なタスクに焦点を当てており、AIの目標とは程遠い。 LLaVAアーキテクチャに基づいて微調整されたGalleryGPTと呼ばれる,絵画解析のための優れた大規模マルチモーダルモデルを提案する。
論文参考訳（メタデータ） (2024-08-01T11:52:56Z)
Deep Ensemble Art Style Recognition [2.3369294168789203]
過去数十年間の膨大な量のアートワークのデジタル化は、抽象概念に関連する膨大な量のデータの分類、分析、管理の必要性を生み出した。美術作品における様々な芸術的特徴の認識は、深層学習社会において注目されている。本稿では,深層ネットワークを用いた美術スタイル認識の問題について考察する。
論文参考訳（メタデータ） (2024-05-19T21:26:11Z)
Leveraging Computer Vision Application in Visual Arts: A Case Study on the Use of Residual Neural Network to Classify and Analyze Baroque Paintings [0.0]
本稿ではヨハン・クペツキーの「画家シャルル・ブルニの肖像」の分類に焦点をあてる。残余ネットワークトレーニングで抽出した特徴は,オンラインアートコレクションの検索システム内での画像検索に有用であることを示す。
論文参考訳（メタデータ） (2022-10-27T10:15:36Z)
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)
Learning Prior Feature and Attention Enhanced Image Inpainting [63.21231753407192]
本稿では,事前学習に基づくMasked AutoEncoder(MAE)を塗装モデルに組み込む。マスク付き領域とマスキングされていない領域間の長距離依存性をより学習させるために,MAE の注意点を用いた手法を提案する。
論文参考訳（メタデータ） (2022-08-03T04:32:53Z)
Automatic Image Content Extraction: Operationalizing Machine Learning in Humanistic Photographic Studies of Large Visual Archives [81.88384269259706]
本稿では,機械学習による大規模画像アーカイブの検索と解析のための自動画像コンテンツ抽出フレームワークを提案する。提案する枠組みは、人文科学と社会科学のいくつかの分野に適用できる。
論文参考訳（メタデータ） (2022-04-05T12:19:24Z)
Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
論文参考訳（メタデータ） (2021-10-29T16:51:16Z)
Graph Neural Networks for Knowledge Enhanced Visual Representation of Paintings [14.89186519385364]
ArtSAGENetは、グラフニューラルネットワーク(GNN)と畳み込みニューラルネットワーク(CNN)を統合する新しいアーキテクチャである。提案したArtSAGENetは,アーティストとアートワーク間の重要な依存関係をキャプチャし,エンコードする。本研究は美術品の分析とキュレーションにビジュアルコンテンツとセマンティクスを統合する大きな可能性を秘めている。
論文参考訳（メタデータ） (2021-05-17T23:05:36Z)
Insights From A Large-Scale Database of Material Depictions In Paintings [18.2193253052961]
本稿では,視覚認識システムと美術品で利用可能な豊富な情報との関係について検討する。自然画像用に設計された視覚認識システムは、絵画で驚くほどうまく機能する。絵画からの学習は、自然画像に使用されることを意図したニューラルネットワークにとって有益であることを示す。
論文参考訳（メタデータ） (2020-11-24T18:42:58Z)
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)

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。