14、历史小提琴风格分类的深度学习方法

历史小提琴风格分类的深度学习方法

1. 研究背景与目标

艺术作品的自动风格分析一直是图像处理和机器学习领域颇具挑战性的研究课题。过往研究大多聚焦于绘画，涵盖传统方法与深度学习方法。然而，对于小提琴风格识别运用深度学习方法的研究尚属空白。本研究旨在检验卷积神经网络（CNN）辨别小提琴制作风格的能力，主要贡献有三：
- 创建包含17 - 18世纪小提琴图像的标注数据集。
- 研究深度学习在区分小提琴制作风格方面的潜力，测试多种先进CNN作为特征提取器的性能。
- 对比计算机与小提琴制作师的行为，将表现最佳的网络所选的感兴趣区域与制作师注视生成的全局热图进行对比。

2. 相关工作

2.1 传统图像风格分析方法

• 运用二维多分辨率隐马尔可夫模型识别中国水墨画的不同风格。
• 结合监督和无监督机器学习算法识别著名画家（如塞尚、莫奈等）的绘画风格。
• 利用判别式和生成式词袋算法识别七种不同的美术风格（如文艺复兴、巴洛克等）。
• 应用多种类型的Fisher向量特征处理绘画中的艺术家分类、风格分类等问题。
• 进行随机分析比较达芬奇和毕加索的作品。

2.2 深度学习在艺术风格分析中的应用

• Gatys等人创建的风格迁移神经网络，能将照片内容与艺术作品风格相结合。
• “The Next Rembrandt”项目，微软研究人员通过深度学习算法创作“新”的伦勃朗画作。
• Tan等人首次使用CNN进行大规模绘画风格、流派和艺术家分类研究，证