AMiner论文推荐

论文名称：Exploring the Representativity of Art Paintings
论文链接：https://www.aminer.cn/pub/5ff682bed4150a363cbae759?f=cs
随着数字技术的发展，越来越多的数字化艺术图像让公众可以更方便欣赏艺术作品。使用谷歌Chrome，人们可以得到关于一个特定的艺术家很多图片。不幸的是，浏览器推荐的画作大量地重复，并夹杂着虚假的例子。为了解决网上数字画作的杂乱和混淆问题，在本研究中，我们重点做一些艺术作品评价任务。我们的目标是发现一个易于理解的评价指标来帮助公众在没有专业知识的情况下欣赏绘画，提出了“代表性”的概念，并用它来评价一副画作能够代表艺术家全部作品的程度。为了解决这个问题，我们将任务分成两个阶段完成。首先获取图片的特征表示，其次，在特征空间计算代表性。
很多研究工作通常使用在ImageNet预训练过的卷积神经网络提取图像特征，如VGG，ResNet。但是，预先训练好的网络，需要充足用于物体分类任务的有标记图片，并且更关注内容信息，将其直接用于艺术图片分类就会引入额外的偏差。此外，真实照片的属性包括内容，颜色，亮度，艺术绘画更注重艺术家独特的创作技巧，比如质地，笔触，画布。整合了预训练的CNN和风格信息的优点，提取艺术图片的特征。
每一张画作都在学得的特征空间上表示为一个点。另外，在计算画作的代表性之前，我们选择WikiArt上面的著名作品（官方定义为对画家的创作生涯和艺术历史有重大意义的作品），作为先验知识。然后，画作的代表性可以通过衡量其与著名画作的距离以及角度的相似度来确定。如果一副作品和相同画家的著名画作接近，说明这幅作品也能很好代表画家的生平。如果一副作品和其他画家的著名画作接近，说明这幅作品的特征不够独特。
以梵高的作品为例，我们选取其部分作品，按照其计算的代表性排序。可以看出，排在前面的画作更加具备梵高的创作特点，反之，排在后面的画作能够代表梵高创作特点的程度较弱。
AMiner,让AI帮你理解科学！https://www.aminer.cn