利用深度学习技术鉴定绘画作品

# 利用深度学习技术鉴定绘画作品 ## 1 引言 ### 1.1 绘画作品鉴定 艺术赝品自罗马时期就已存在，20世纪商业艺术市场的繁荣更是刺激了伪造市场的发展。许多私人发现或拥有的未知画作进入市场时，为避免博物馆和艺术收藏家的经济损失，对画作进行鉴定至关重要。鉴定方法包括侵入性和非侵入性技术，侵入性方法具有破坏性，不常被推荐，尤其是针对遗产类作品。随着计算机科学的发展，机器学习技术在艺术品研究中的应用逐渐成为一种非侵入性方法。里斯本新大学（NOVA）的保护与修复系（DCR）将机器学习算法应用于已故葡萄牙艺术家阿马德奥·德·索萨·卡尔多索（Amadeo de Souza Cardoso）画作的笔触分析，并结合材料分析来确定画作的真伪。本研究受此启发，旨在改进原方法，使其应用范围更广，目前主要聚焦于笔触分析。 ### 1.2 人工神经网络（ANN） 近年来，ANN在许多领域得到应用，包括艺术分析、处理和创作。与传统计算范式不同，ANN受人类大脑功能启发，通过学习过程进行“类脑计算”并从示例中学习。一般来说，ANN由输入层、隐藏层和输出层组成。输入层接收原始信息，输入层与隐藏层之间的连接带有不同权重，隐藏层与输出层之间也通过权重进行交互。神经网络通常需要大量样本（数千到数百万）才能产生满意的结果，因此对计算能力和原始信息数量的要求都很高。然而，使用神经网络分析艺术品的一个主要挑战是特定艺术家的样本数量有限，且许多神经网络是专门为对象识别设计的，目前在艺术品分析中的应用非常有限。本研究采用预设计和预训练的卷积神经网络（CNN）——AlexNet来识别画作，以便比较和评估类脑计算与传统计算的结果，这可能是首次将神经网络用于艺术品鉴定的工作之一。 ## 2 相关工作 ### 2.1 卷积神经网络（CNN） CNN是ANN的一个子集，属于深度学习算法。CNN的应用广泛，常用于通过一组相关滤波器捕捉空间和时间信息来进行视觉图像分析。与ANN类似，CNN也由一系列层组成，隐藏层通常包含一个或多个卷积层（CONV）、池化层（POOL）和全连接层（FC）。根据CNN的架构，隐藏层还可以添加或重复其他层或操作，如填充、激活函数、扁平化、软最大化和归一化等。 - **卷积层（CONV）**：通过一个具有预定义步长的内核从左到右、从上到下对图像进行卷积操作，直到完全解析图像的长度和宽度。其功能是在较低层提取边缘、颜色和梯度方向等低级特征，在较高层提取更结构化的图像表示。 - **池化层（POOL）**：紧随CONV之后，目的是减少参数数量，从而降低计算负载，提取主导特征并帮助减少过拟合。 - **全连接层（FC）**：使用前一层输出的全连接进行分类。 ### 2.2 CNN在艺术品识别中的应用 尽管CNN的概念已经存在一段时间，但在艺术品识别领域的应用相对较新。2009年，土耳其的马尔马拉大学和伊斯坦布尔大学首次将ANN应用于艺术品鉴定，结合小波变换，取得了88%的高分类准确率。近年来，许多应用CNN进行艺术家归属鉴定的工作受到AlexNet的启发，几乎所有这些工作都报告称优于传统的图像分类项目。以下是一些相关研究： |研究人员|研究内容|成果| | ---- | ---- | ---- | |Bar等|结合通过深度神经网络学习AlexNet和Decaf提取的高级描述符，以及从传统图像处理和模式识别工具中提取的低级描述符来对绘画风格进行分类|评估不同技术组合在绘画风格分类中的性能| |van Noord等|通过实现CNN之一的PigeoNET学习和识别艺术家作品的视觉特征，用于艺术家归属鉴定|PigeoNET对应于AlexNet，集成了基于某些动物（如鸽子和蜜蜂）生物视觉辨别能力的视觉组件，对未见数据的测试准确率超过70%| |Tan等|基于AlexNet设计CNN，对步长和softmax层等参数进行了细微修改|在从Wikiart获取的同一数据集上取得了68%的准确率，认为使用CNN对艺术品进行分类比对象和面部识别更困难| |Hong等|研究了三种基于AlexNet、VGGNet的CNN架构，并与SIFT方法进行比较|基于VGGNet的较小版本架构错误率最低，比SIFT方法高出13.6%| |Viswanathan|比较了三种CNN架构：简单的六层CNN作为基础CNN，从头开始训练的ResNet - 18，以及使用基于ImageNet数据库计算的预训练权重进行迁移学习的ResNet - 18，两者都增加了一个FC用于艺术家预测|预训练的ResNet -