Predicting and grouping digitized paintings by style using unsupervised feature learning

Abstract

The UFLK method can extract features from digitized paintings. We were able to extract characteristics of art without any prior information about the nature of the features or the stylistic designation of the paintings. The methods herein may provide art researchers with the latest computational techniques for the documentation, interpretation, and forensics of art. The tools could assist the preservation of culturally sensitive works of art for future generations, and provide new insights into works of art and the artists who created them.

Використання Комп’ютерної Технології Глибинних Нейронних Мереж Шляхом Аналізу Малюнків Для Ранньої Діагностики Психічних Відхилень І Психокорекційної Тренінгової Діяльності Медичного Психолога

“…Нещодавно Forsythe et al повідомили, що фрактальний аналіз картин може виявляти типові зміни в структурі твору художника; зміни, які можуть бути ранніми показниками початку неврологічного погіршення [2]. Використання глибоких нейронних мереж для класифікації зображень почалося порівняно недавно і вже показало свою ефективність [3,4]. В нашій роботі ми поставили за мету оцінити, чи можуть глибокі нейронні мережі служити потенційним підходом до ранньої діагностики психічних відхилень, пов'язаних із шизофренією, та допомогти медичному психологу у його професійній психокорекцій ній діяльності, в тому числі, тренінговій.…”

Two-Stage Deep Learning Approach to the Classification of Fine-Art Paintings

“…Most can be grouped into two major categories: classical and deep learning techniques. Classical approaches address the task of style classification using image descriptors, in which a set of low-level parameters is first extracted from the input image and then categorized using one of the standard classification algorithms [4]- [9].…”

“…In the last decade, there has been a growing interest in automatic art classification. Classical approaches focus on determining the optimal set of features to be extracted from the paintings for classification [4]- [9] whereas, more modern, deep learning (DL) approaches address the problem of painting classification through the implementation of the transfer learning (or fine-tuning) of different Convolutional Neural Networks (CNNs). Alternatively, the fine-tuned CNNs can be used to generate features to train various non-network classifiers [10]- [16].…”

Automation for the artisanal economy: enhancing the economic and environmental sustainability of crafting professions with human–machine collaboration

“…unsupervised feature learning) could be used to authenticate an artisan's true handcraft. Similar approaches have been successfully used to recognize styles in painting (Gultepe et al 2018). Traditional academic workshops on art investigation, such as the Image Processing for Art Investigation conference (IP4AI) have historically focused on investigating western forgeries while dismissing the growing problem of artisanal forgeries, such as fake textiles.…”