使用监督修改的CNN进行艺术风格分类的增强自动化艺术策划
1School of Art and Design, Yellow River Conservancy Technical Institute, Kaifeng, 475001, Henan, China. 2007820665@yrcti.edu.cn.
Scientific reports
|March 2, 2025
概括
经过修改的卷积神经网络 (CNN) 准确地分类艺术风格,达到93%的准确性. 这种人工智能方法为艺术分类和策划提供了一个可扩展的解决方案,克服了人类的主观性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 艺术史 艺术史 艺术史
背景情况:
- 传统的艺术分类依赖于耗时和主观的人类专业知识.
- 现有的自动化方法缺乏细微艺术分析所需的精度.
- 在艺术品分类和策展方面需要客观和可扩展的解决方案.
研究的目的:
- 开发和评估一个受监督的修改卷积神经网络 (CNN),用于自动化艺术品分类.
- 用视觉特征来区分主要的艺术风格和运动.
- 为手工艺术策划提供一个更加一致和可扩展的替代方案.
主要方法:
- 一个修改后的CNN模型被设计用于分析颜色,纹理和构成等特征.
- 该模型是根据5000件艺术品的定制数据集进行训练的,这些艺术品来自五种风格:印象主义,立体主义,现实主义,抽象主义和超现实主义.
- 性能与ResNet50和VGG16进行了比较,并采用特征可视化技术 (t-SNE,PCA,Grad-CAM) 来进行分析.
主要成果:
- 修改后的CNN实现了93.0%的平均分类准确率.
- 它在精度 (93.5%),召回 (92.8%) 和F1得分 (93.1%) 方面表现优于ResNet50和VGG16.
- 功能可视化证实了风格聚类,并确定了区分类似风格的挑战,如抽象和超现实主义.
结论:
- 修改后的CNN显示出精确和自动化的艺术分类的巨大潜力.
- 该模型为数字策划,教育和保存中的应用提供了一个可扩展和一致的工具.
- 未来的研究将专注于数据集扩展,多式联络输入和增强可解释的AI技术.
