Αναγνώριση Τεχνοτροπίας Έργων Τέχνης με Συνελικτικά Νευρωνικά Δίκτυα

Abstract

Η ραγδαία ψηφιοποίηση του κόσμου που λαμβάνει χώρα τις τελευταίες δεκαετίες, έχει ως αποτέλεσμα και την ψηφιοποίηση ενός τεράστιου αριθμού έργων τέχνης. Η διαχείρισή κι επεξεργασία ενός τόσο μεγάλου όγκου πληροφοριών αποτελεί μια ιδιαίτερα απαιτητική πρόκληση. Τα τελευταία χρόνια έχουν γίνει βήματα για τη χρήση της τεχνητής νοημοσύνης στην υπηρεσία της τέχνης. Τα δείγματα ήταν πολύ ελπιδοφόρα και σύντομα ξεκίνησε μια τάση στους κλάδους της μηχανικής μάθησης που αφορούσε την αναγνώριση, ταξινόμηση, επεξεργασίά αλλά ακόμη και δημιουργία έργων τέχνης. Τα άλματα που έχουν γίνει την τελευταία δεκαετία στην αναγνώριση εικόνας μέσω της βαθιάς μάθησης, άνοιξαν το δρόμο για την ευρύτερη μελέτη της τέχνης μέσω του συγκεκριμένου κλάδου. Σε συνέχεια των παραπάνω, αποφασίσαμε στην παρούσα διπλωματική να ασχοληθούμε με την αναγνώριση τεχνοτροπίας έργων τέχνης με χρήση συνελικτικών νευρικών δικτύων. Η καλλιτεχνική τεχνοτροπία ανέκαθεν αποτελούσε το κύριο κριτήριο ομαδοποίησης και ταξινόμησης των έργων τέχνης. Μέχρι και στις μέρες μας όμως, κατά κύριο λόγο το έργο αυτό επιτελείται από ανθρώπους με χρόνια εκπαίδευσης, εμπειρίας κι εξειδίκευσης στον κλάδο, όπως κριτικοί και ιστορικοί τέχνης. Τα τελευταία χρόνια έχουν γίνει πολύ αξιόλογες προσπάθειες στην ταξινόμηση έργων τέχνης, αλλά ακόμη υπάρχουν πολλά κομμάτια που έχουν μείνει ανεξερεύνητα, αφήνοντας χώρο για σημαντικές βελτιώσεις. Η δουλειά μας επικεντρώθηκε στην κατανόηση και ανάλυση των κύριων παραμέτρων που επηρεάζουν την εκπαίδευση και την αποτελεσματικότητα ενός συνελικτικού νευρωνικού δικτύου, ενώ παράλληλα επιχειρήσαμε και επιτύχαμε να δημιουργήσουμε μοντέλα βαθιάς μάθησης τα οποία ξεπέρασαν σε επιδόσεις σχεδόν όλα όσα έχουν δημιουργηθεί μέχρι στιγμής. Πιο συγκεκριμένα συλλέξαμε, μελετήσαμε κι αξιολογήσαμε διαφορετικά σύνολα δεδομένων, εκτελέσαμε πάνω από εκατό πειράματα, εκπαιδεύοντας μοντέλα με διαφορετικές αρχιτεκτονικές και υπερπαραμέτρους, κι εφαρμόσαμε μεθόδους συνδυαστικής μάθησης στα μοντέλα που εκπαιδεύσαμε, επιτυγχάνοντας κορυφαίες επιδόσεις. Αναλύσαμε βαθύτερα τα χαρακτηριστικά κάθε τεχνοτροπίας και τον τρόπο όπου αυτά επηρεάζουν τις προβλέψεις ενός ταξινομητή και τέλος με βάση την εμπειρία και τις γνώσεις που αποκτήσαμε προτείναμε μερικές ενδιαφέρουσες μελλοντικές κατευθύνσεις της επιστημονικής μελέτης.