論文の概要: Handcrafted Feature-Assisted One-Class Learning for Artist Authentication in Historical Drawings

• arxiv url: http://arxiv.org/abs/2601.11627v1
• Date: Tue, 13 Jan 2026 13:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.222872
• Title: Handcrafted Feature-Assisted One-Class Learning for Artist Authentication in Historical Drawings
• Title（参考訳）: 歴史画におけるアーティスト認証のための手書き特徴支援ワンクラス学習
• Authors: Hassan Ugail, Jan Ritch-Frel, Irina Matuzava,
• Abstract要約: 本稿では,履歴図面認証のための検証に基づく計算フレームワークを提案する。 メトロポリタン美術館のオープンアクセスコレクションから、認証されたスケッチを使って10人のアーティスト固有の検証者が訓練されている。 プールされたシステムは、選択した動作点において、真受容率83.3%、偽受容率9.5%を達成する。
• 参考スコア（独自算出の注目度）: 0.2730969268472861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Authentication and attribution of works on paper remain persistent challenges in cultural heritage, particularly when the available reference corpus is small and stylistic cues are primarily expressed through line and limited tonal variation. We present a verification-based computational framework for historical drawing authentication using one-class autoencoders trained on a compact set of interpretable handcrafted features. Ten artist-specific verifiers are trained using authenticated sketches from the Metropolitan Museum of Art open-access collection, the Ashmolean Collections Catalogue, the Morgan Library and Museum, the Royal Collection Trust (UK), the Victoria and Albert Museum Collections, and an online catalogue of the Casa Buonarroti collection and evaluated under a biometric-style protocol with genuine and impostor trials. Feature vectors comprise Fourier-domain energy, Shannon entropy, global contrast, GLCM-based homogeneity, and a box-counting estimate of fractal complexity. Across 900 verification decisions (90 genuine and 810 impostor trials), the pooled system achieves a True Acceptance Rate of 83.3% with a False Acceptance Rate of 9.5% at the chosen operating point. Performance varies substantially by artist, with near-zero false acceptance for some verifiers and elevated confusability for others. A pairwise attribution of false accepts indicates structured error pathways consistent with stylistic proximity and shared drawing conventions, whilst also motivating tighter control of digitisation artefacts and threshold calibration. The proposed methodology is designed to complement, rather than replace, connoisseurship by providing reproducible, quantitative evidence suitable for data-scarce settings common in historical sketch attribution.
• Abstract（参考訳）: 紙上の作品の認証と帰属は、特に利用可能な参照コーパスが小さく、スタイリスティックなキューが主に行と音節の変化によって表現される場合、文化遺産において永続的な課題である。 そこで本研究では,手書き手書き手書き手書き手書き手書き手書き手書き文字を用いた一級自動エンコーダを用いた履歴図面認証のための検証ベースの計算フレームワークを提案する。 メトロポリタン美術館のオープン・アクセス・コレクション、アシュモリアン・コレクションズ・カタログ、モーガン図書館と博物館、ロイヤル・コレクション・トラスト(イギリス)、ヴィクトリア・アルバート博物館のコレクション、そしてカサ・ブオナロティ・コレクションのオンラインカタログから、認証されたスケッチを用いて訓練され、本物と偽のトライアルを伴うバイオメトリックスタイルのプロトコルで評価されている。 特徴ベクトルはフーリエ領域エネルギー、シャノンエントロピー、大域コントラスト、GLCMに基づく均一性、およびフラクタル複雑性のボックスカウント推定からなる。 900件の検証決定(90件の真偽と810件のインポスタ・トライアル)において、プールされたシステムは83.3%の真の受け入れ率と、選択された動作点における偽受け入れ率9.5%を達成している。 パフォーマンスはアーティストによって大きく異なり、検証対象者に対してほぼゼロの偽の受け入れと、他の者に対する難易度が向上している。 偽受理の対の帰属は、形式的近接性と共有描画規則に整合した構造的誤り経路を示し、デジタル化アーチファクトの厳密な制御としきい値の校正も動機付けている。 提案手法は,歴史スケッチの属性に共通するデータスカース設定に適した再現性,定量的な証拠を提供することによって,コンノワールを補うのではなく,補完するように設計されている。

関連論文リスト

• Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
  Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。 Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• Uncertainty-Aware Label Refinement on Hypergraphs for Personalized Federated Facial Expression Recognition [58.98052764581606]
  我々はhYpergraphs (AMY) 法に基づく新しい不確実性認識ラベルリファレントを開発する。 ローカルトレーニングでは、各ローカルモデルは、バックボーン、不確実性推定(UE)ブロック、および式分類(EC)ブロックで構成される。 次に、ローカルクライアントにおける標本の不確実性重みを推定するために、パーソナライズされた不確実性推定器を導入する。
  論文  参考訳（メタデータ） (2025-01-03T13:59:21Z)
• Multi-Facet Blending for Faceted Query-by-Example Retrieval [5.156059061769101]
  本稿では,多面体ブレンディング(FaBle)拡張法を提案する。 モジュール化によって、事前に定義されたファセットの知識やラベルが不要になります。 1K文書上のFaBle拡張は、ファセット条件埋め込みの訓練を著しく支援する。
  論文  参考訳（メタデータ） (2024-12-02T12:32:19Z)
• EOL: Transductive Few-Shot Open-Set Recognition by Enhancing Outlier Logits [16.081748213657825]
  Few-Shot Learningでは、モデルがクエリセットから見えないオブジェクトを認識するように訓練されている。 本研究では,オープンセットのFew-Shot認識における,よりニュアンスで実践的な課題について検討する。
  論文  参考訳（メタデータ） (2024-08-04T15:00:22Z)
• Innovative Methods for Non-Destructive Inspection of Handwritten Documents [0.0]
  本稿では,画像処理と深層学習技術を用いて,本文の本質的な尺度を抽出・解析できるフレームワークを提案する。 比較対象文書の特徴ベクトル間のユークリッド距離を定量化することにより、著者を特定することができる。 実験により,異なる執筆媒体の著者を客観的に決定できる手法が得られた。
  論文  参考訳（メタデータ） (2023-10-17T12:45:04Z)
• PART: Pre-trained Authorship Representation Transformer [52.623051272843426]
  文書を書く著者は、自分のテキストに識別情報を印字する。 以前の作品では、手作りの機能や分類タスクを使って著者モデルを訓練していた。 セマンティクスの代わりにテキストの埋め込みを学習するために、対照的に訓練されたモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-30T11:08:39Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• GaitSet: Cross-view Gait Recognition through Utilizing Gait as a Deep Set [19.017795736485944]
  歩行は、距離で認識できるユニークな生体認証機能である。 既存の歩行認識方法は、不要な順序制約を維持する歩行テンプレートまたは歩行シーケンスを利用する。 本稿では,歩行を深層集合として利用する新しい視点について述べる。つまり,一組の歩行フレームがグローバルな局所融合深層ネットワークによって統合されることを意味する。
  論文  参考訳（メタデータ） (2021-02-05T15:49:54Z)
• Self-supervised Deep Reconstruction of Mixed Strip-shredded Text Documents [63.41717168981103]
  本研究は,従来の1ページ再構成の深層学習手法を,より現実的で複雑なシナリオに拡張する。 本手法では, 整合性評価を2クラス(無効または無効)パターン認識問題としてモデル化する。 提案手法は複雑なシナリオにおいて競合する手法よりも優れ、90%以上の精度で精度が向上する。
  論文  参考訳（メタデータ） (2020-07-01T21:48:05Z)
• Fast(er) Reconstruction of Shredded Text Documents via Self-Supervised Deep Asymmetric Metric Learning [62.34197797857823]
  細断文書の自動復元における中心的な問題は、細断文書の相互互換性評価である。 本研究は,推定回数を線形にスケールするペアワイド互換性を測るスケーラブルな深層学習手法を提案する。 提案手法は,505個のシュレッダーを持つテストインスタンスに対して,22倍の高速化を実現した最先端技術に匹敵する精度を有する。
  論文  参考訳（メタデータ） (2020-03-23T03:22:06Z)

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。