Большая часть работ, выполненных в области компьютерного зрения и живописи, использует низкоуровневые факторы, такие как цвет, оттенки, текстура и края, для целей классификации стилей. Рассмотрим их подробно в этой статье.
Ломбарди представил комплексное исследование характеристик исполнения таких признаков для классификации картин. Р. Саблатниг и др. используют рисунки кистью для определения структурных особенностей, определяющих стиль художника.
Хан и др. используют подход мешок слов (BW) с низкоуровневыми чертами цвета и оттенков для идентификации художника среди восьми различных художников. Также были проведены аналогичные эксперименты с низкоуровневыми характеристиками. Карнейро и др. недавно опубликовали набор данных PRINTART о картинах, наряду с экспериментами по поиску изображений и классификации стилей живописи.
Они определяют понимание художественного образа как процесс, который получает художественный образ и выдает набор глобальных, локальных и позированных аннотаций. Глобальные аннотации состоят из набора художественных ключевых слов, описывающих содержание изображения. Локальные аннотации представляют собой набор ограничивающих рамок, которые локализуют определенные визуальные классы и представляют собой аннотации, состоящие из набора частей тела, которые указывают на положение человека и животных на изображении.
Другим процессом, вовлеченным в художественное понимание образа, является поиск изображений по запросу, содержащему художественное ключевое слово.
В работе был предложен усовершенствованный метод распространения инвертированной этикетки, обеспечивающий наилучшие результаты как в автоматическом (глобальном, локальном, так и в позе) размножении и поиске проблем. Грэм и др. ставят вопрос о том, как мы воспринимаем два произведения искусства, похожие друг на друга. Для достижения этой цели они приобрели сильный надзор со стороны специалистов по человеческой тематике для маркировки подобных картин.
Они применяют многомерные методы масштабирования к парным подобным картинам как из пейзажа, так и из портрета/жизни и показали, что сходство между картинами может быть интерпретировано как основная статистика изображения.
В экспериментах они показывают, что для пейзажей, основная статистика серого изображения является самым важным фактором, чтобы два произведения искусства были похожими. Для натюрморта/портрета наиболее важным элементом сходства является семантическая переменная, например, представление людей. Извлечение визуальных признаков для картин - очень сложная задача, к которой следует относиться иначе, чем к изображению естественных образов.
Это различие объясняется:
- Во-первых, тем, что, в отличие от обычных изображений (например, личных фотографий), картины создавались с использованием абстрактных идей.
- Во-вторых, влияние оцифровки на компьютерный анализ живописи исследовано в работе Polatkan и др.. Кабрал и др. подходят к проблеме заказа картин и оценки их временного периода.
Они формулируют эту проблему как встраивание картин в одномерный многообразие. Они применяли бесконтрольное встраивание с использованием лаплацианских эигемаптов. Для этого им нужны только визуальные характеристики и оптимизация выпуклости картин для отображения их в виде множества.
Изучение метода измерения схожести картин.
Ученые экспериментировали с особенностями Classemes, которые представляют собой высокий уровень информации с точки зрения наличия/отсутствия объектов на изображении. Ученые также извлекли дескрипторы GIST и Гистограмму Ориентированных Градиентов (HOG), поскольку они являются основными ингредиентами в характеристиках Classemes. Для измерения схожести картин ученые использовали два подхода:
- Во-первых, они исследовали результат применения предопределенной метрики к выделенным визуальным признакам.
- Во-вторых, для низкоуровневых визуальных функций (HOG и GIST) ученые освоили новый набор метрик, позволяющих приблизить друг к другу сходные изображения из одного стиля.
Эти метрики усваиваются таким образом, что ожидаем увидеть картины, выполненные в одном стиле, наиболее похожими парами картин. Однако интересно посмотреть на большинство похожих пар картин, когда их стиль отличается. Для достижения этой цели ученые вычислили расстояние между всеми возможными парами картин, основываясь на изученной метрике Boost и метрике LMNNN. Некоторые из наиболее схожих пар для различных стилей (с наименьшими расстояниями) показаны на рисунке ниже.
Ученые также оценили эти показатели для задачи поиска картины. На рисунке ниже показаны восемь наиболее близких совпадений для Hope by Klimt, когда они использовали метрику LMNNN для изучения степени сходства картин.
В данной статье подробно обсудили интересную проблему поиска потенциальных влияний художника. Рассматривали художников и пытались найти, на кого можно повлиять, основываясь на их работах и без какой-либо дополнительной информации.
Также изучили эту проблему как измерение сходства в области компьютерного зрения и исследовали различные методы метрического обучения для представления картин и измерения их сходства друг с другом.
Это измерение сходства соответствует человеческому восприятию и художественным мотивам.
Спасибо,что читали меня. Буду искренне рада вашим лайкам и комментариям.
