MachineLearning 时代的艺术鉴赏

谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。
谢谢平台提供-http://bjbsair.com/2020-04-13/tech-info/65277.html

作为数据科学新手，我对真正的数据科学家如何解决现实世界的问题深感兴趣。 阅读了Kaggles上发布的许多挑战后，我正在寻找有关这些专家如何应对有趣的比赛的见解。 让我感到惊讶的一个挑战是"数字画家"挑战。 它要求竞争者开发一个程序，以识别同一位艺术家的画作。

Left: “The Lacemaker”, van Meegeren, 1925, courtesy of the National Gallery of Art, Washington D.C… Right: “Lady Reading Music”, van Meegeren, 1936, courtesy of the Rijksmuseum, Amsterdam.

几行代码如何才能像专家一样发挥"眼力"？ 作为一个自称为艺术史爱好者的人，我对此表示怀疑！ 如果我很难通过Buzzfeed有关假冒艺术品的测验，那么计算机如何更好地发现假冒品？

经过多年培训的专家可以找到艺术家手留下的唯一标识符。 这些专家使用他们的眼睛，直觉和很多科学来鉴定艺术品并识别伪造品。 那么，计算机可以代替他们的专业知识吗？ 算法可以告诉我们是否用同一笔画笔绘制了两幅画吗？

首先，为什么计算机可以区分两幅画对为什么重要？ 艺术品市场是不受监管的，不透明的和非正式的，这使其容易受到一系列范围的操纵，尤其是伪造。 2017年艺术品总销售额不到640亿美元，艺术品的买卖是一项大业务。 艺术市场一向依靠专家和可疑的鉴赏科学来确认作品的真实性。 艺术品伪造套装价格昂贵，并且随着人工智能的发展，伪造艺术品一直是困扰博物馆和收藏家多年的问题，随着伪造的发展，伪造品的检测变得更加可扩展且负担得起。

回到"数字画家"，挑战包括79,433个实例，训练集中的1,584名独特画家，并且需要对约2,200万对测试集进行预测。 挑战的赢家Nejc Ilenic首先通过清理他的数据集（在本例中为艺术品图像）来完成此任务，然后他创建了一个模型，该模型提取画家的独特风格，并教会机器学习与之相关的这些功能。 艺术家课。 最后，为了测试他的模型，他使用一种算法来可视化数据，以比较这些输入实例对成对的测试集的相似程度。

如下图所示，这两个散点图提供了Nejc程序如何能够区分同一位艺术家的不同艺术风格和小组作品的可视化效果，尽管该模型在训练阶段并未看到这些作品的示例。

就个人而言，挑战中最有趣的部分是机器如何很好地发现约翰内斯·维米尔（Johannes Vermeer）和汉·范·麦格伦（Han van Meegeren）之间的作品差异。 如下图所示，这两位艺术家的作品之间的相似之处对于未经训练的眼睛几乎是无法区分的。 汉·范·梅格伦（Han van Meegeren）对维米尔（Vermeer）画作的伪造是最传奇的仿制艺术品，他赚了3000万美元（经通货膨胀因素调整后），卖掉了二战前荷兰绘画的模仿者。 即使范·梅格伦（Mar Meegeren）伪造了许多17世纪荷兰大师的作品，也欺骗了许多专家，但他还是无法欺骗计算机。 由于维米尔（Vermeer）的绘画与他的其他作品更加相似，而范·梅格伦（van Meegeren）从几位不同的艺术家那里复制了自己的风格，因此内伊奇（Nijc）的程序能够识别范·梅格伦（van Meegeren）数据集中的不一致之处，并从范·梅格伦（van Meegeren）的作品中辨别维米尔（Vermeer）的作品。

Left: Woman reading a letter, Johannes Vermeer, 1662–1663, courtesy of the Rijksmuseum, Amsterdam. Right: Woman Reading Music, by Han van Meegeren, 1935–1936, Rijksmuseum, Amsterdam

在阅读"数字画家"后，技术对技术如何识别伪造物产生了兴趣，我扩大了研究范围，以查看艺术世界中是否存在利用数据科学的创新方法。值得庆幸的是，谷歌并没有让人失望。我发现了由罗格斯大学和荷兰绘画修复与研究工作室的研究人员写的一篇论文，标题为"毕加索，马蒂斯或假的笔画在笔画级别自动分析以进行归因和认证"。该研究发表了名为"递归神经网络（RNN）"的人工智能如何通过比较用于构图的笔划来查找假艺术品的发现。通过将绘画分解成笔触线条，RNN学会了这些笔触中对于识别艺术家很重要的功能。同时，还训练了一种机器学习算法来寻找这些特征，例如每个笔触中线条的粗细，从而识别出艺术家。结合使用人工智能和机器学习的组合方法，研究人员可以在80％的时间内识别出图像的艺术家。

Examples of segmentation results. Schiele ink drawing. — best seen in color

为了测试系统发现假货的能力，研究人员还委托艺术家以与数据集中的作品相同的样式制作图纸。 该系统能够简单地通过查看单个笔画来识别每种情况下的伪造品，如以下示例所示。

From page 7 of ‘Picasso, Matisse, or a Fake? Automated Analysis of Drawings at the Stroke Level for Attribution and Authentication,’. Examples of fake dataset mixed with real drawings. Key: Fake, Fake, Matisse Matisse, Fake, Fake, Matisse Fake, Matisse, Picasso, Fake Fake, Picasso, Picasso, Fake Schiele, Fake, Fake, Schiele, Schiele, Fake

艺术史是一个有着数百年传统的领域。 但是，随着AI的许多令人激动的进步，我很高兴看到该技术将如何在美术界实现。 "该机器具有超过人眼的优势，因为它可以分析成千上万的单个笔画并对其进行统计表征，"进行这项研究的科学家之一艾哈迈德•艾尔伽玛玛（Ahmed Elgammal）说。 “如果我们训练机器根据艺术家较少故意和无意识地渲染的特征来识别样式，我们将能够发现伪造品。”

暂时考虑一下：一种可以检测线条和笔触中艺术家潜意识的算法。 范美格伦先生，祝您好运！

能够从该领域的专家那里学习解决问题的过程非常有见识。 通过阅读有关数据科学家如何应对现实世界挑战的知识，我可以了解到我每天所学的课程与数据科学和机器学习领域正在发生的事情的整体情况如何相关。