第五次作业:项目选题

项目名称:AI艺术鉴赏 看画猜作者

项目简介

“抽象是艺术史上的自然进步,然而算法捕捉到了这一点”。很多人认为理工男普遍缺乏艺术细菌,不懂欣赏艺术的抽象美,然后现在理工男设计的AI算法已经能够理解艺术。罗格斯大学的艺术与人工智能实验室制作出一套名为CAN(创造性对抗网络)的AI系统,CAN向我们证明人工智能可以理解艺术发展脉络和学习路径,所以软件的任务就是训练模型,识别名画的作者。本次比赛数据集来自49位大师的作品,乔托·迪·邦多纳、毕加索、梵高、安德烈·鲁勃廖夫、提香·韦切利奥等。

NABCD分析
N(Need需求)

在当今社会物质发展已经得到极大提升下,但人们的艺术鉴赏能力急需提高,通过鉴赏画作提高自己的艺术修养是一个有效的途径。
本次项目目的是减少只知其画,不知其人的尴尬,从而了解作者和其所在的时代背景,进而有效的提高用户的艺术鉴赏能力

A(Approach做法)

1.之前实验的针对图片的处理以及深度学习的相关知识,进行了一些实验训练
2.成员们自主学习了一些有关web框架设计的知识,也有过开发网站,小程序等项目经历。对JS、CSS等前端技术,有一定的了解,也掌握了Python等开发后端技术。
3.小组成员有默契以及合作基础,面对项目难关时,我们可以团结一心。

项目难度

对前后端交互缺乏经验
对后端的开发缺乏经验

B(Benefit好处)

帮助人们了解更多有才华的艺术创作者,帮助用户更好的了解艺术,加深对于世界名画的理解,帮助用户更好的理解艺术,满足用户的好奇心。从宏观来讲,对于艺术的普及也带来了一定的推动作用,对于提高全民的艺术素养贡献着我们自己的一份力量

C(Competitors竞争)

目前市面上并没有一款比较有名的聚焦于艺术鉴赏,绘画识别的软件。这款软件的实现可以填补市场空缺,占领市场份额。
产品拥有更加简洁方便的界面,带给用户更好的体验。

D(Delivery交付,Data 数据)

首先我们会测试大量的数据确保他的可行性,同时对页面和算法进行改进,之后通过Github、博客园、CSDN以及微信QQ等平台将产品交付给用户使用

电梯演讲

我们软件工程第17组,我们选题针对当下人们对艺术鉴赏的欠缺,帮助人们通过了解眼前画作的作者,了解这幅画所在的时代背景,来进一步了解这幅画并且了解更多有才华的艺术创作者,从而提高对于艺术的鉴赏能力,并推动艺术的普及。而且此类项目市场上目前尚未大规模应用,未来可期!

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值