《Ain Shams Engineering Journal》：Artistic styles classification based on Vanilla Convolutional Neural Networks optimized by fractional-order osprey optimization algorithm
编辑推荐：
艺术风格分类是计算机视觉中最困难的任务之一，模型需要区分不同历史与美学运动间细微的视觉表达差异。研究人员提出一种将原始卷积神经网络（Vanilla Convolutional Neural Network，Vanilla CNN）与自主开发的分数阶鱼鹰优化算法
艺术风格分类是计算机视觉中最困难的任务之一，模型需要区分不同历史与美学运动间细微的视觉表达差异。研究人员提出一种将原始卷积神经网络（Vanilla Convolutional Neural Network，Vanilla CNN）与自主开发的分数阶鱼鹰优化算法（Fractional-order Osprey Optimization Algorithm，FO-OOA）相结合以进行超参数调优的新方法。与标准元启发式算法不同，FO-OOA借助分数阶微积分提升搜索效率与收敛行为。模型在WikiArt数据集的10种不同艺术风格上进行训练与测试。实验结果表明，FO-OOA-Vanilla CNN框架的性能超越遗传算法（Genetic Algorithm，GA）、粒子群优化（Particle Swarm Optimization，PSO）和贝叶斯优化（Bayesian Optimization，BOA）等已有优化技术，分类准确率达90.2%，F1分数为0.897。通过显著性检验从统计上确认了改进，收敛分析显示出快速且稳定的学习动态，该工作通过将先进元启发式算法与深度学习结合，为文化计算与数字艺术分析开辟了新前沿。
研究背景方面，艺术风格分类在艺术史、计算美学与机器学习领域长期受关注，但随着文化遗产数字化，博物馆、画廊及数字人文研究亟需基于视觉特征自动组织、标注与检索作品的工具。现有深度学习方法虽以卷积神经网络（Convolutional Neural Network，CNN）为主流，但预训练重载模型（如VGGNet、ResNet、Inception）在中等规模艺术数据集上易过拟合，且超参数常依赖人工或网格搜索，效率低且非最优。经典元启发式（GA、PSO、贝叶斯优化）存在早熟收敛或局部停滞，而鱼鹰优化算法（Osprey Optimization Algorithm，OOA）虽具双阶段搜索动态，却缺乏历史轨迹记忆。因此，研究人员开展本研究，旨在以轻量Vanilla CNN为载体，引入分数阶微积分增强的FO-OOA进行超参数调优，解决非凸、高维、噪声适应度空间中的探索-利用平衡问题。该研究发表于《Ain Shams Engineering Journal》，其意义在于首次将分数阶动力学与OOA结合并应用于艺术风格分类，为文化计算提供可复现、低方差的元启发式驱动深度学习范式。
关键技术方法上，研究人员采用WikiArt数据集10类艺术风格图像，输入为RGB 224×224；构建仅含卷积、池化、全连接与Softmax的Vanilla CNN（约1.8M参数），以验证准确率适应度函数；提出FO-OOA，在OOA全局探索（猎物识别）与局部利用（猎物重定位）两阶段中分别嵌入Grünwald-Letnikov分数阶导数，实现相位差分记忆与随迭代线性增长的记忆窗口；以30次独立运行、固定1000次函数评估预算、Wilcoxon显著性检验为标准评测协议，对比GA、PSO、BOA及标准OOA。
研究结果部分，引言指出艺术风格分类因类内变异大、类间相似高而困难，现有方法在过拟合与优化效率上存在三类缺陷，引出轻量架构+分数阶记忆优化的动机。相关工作综述表明，改良CNN、空间注意力、层次分类等虽提升基线，但元启发式调优仍缺历史感知机制，FO-OOA填补此隙。材料与方法中，3.1节Vanilla CNN明确四卷积层、Leaky ReLU、最大池化、Dropout及256/128全连接头，超参数全交由FO-OOA寻优；3.2节FO-OOA给出种群初始化、全局更新式(6)(7)(8)与局部更新式(9)(10)(11)，并定义分数阶位置更新取代整数阶，使轨迹受历史加权位置影响。实验章节（原文第5节指向）显示，FO-OOA-Vanilla CNN获90.2%准确率、0.897 F1、收敛标准差0.41%、第35迭代达89%，显著优于对照优化器；收敛曲线稳定，计算开销可控（RTX 3090上约62.8秒/评估）。讨论部分强调，相位差分分数记忆与变长记忆窗口是非早敛关键，Vanilla CNN因其因果透明性成为检验优化器探索效率的理想试床；NFL定理下OOA行为结构与艺术风格分类几何匹配，FO扩展不违定理。结论翻译为：研究人员提出FO-OOA-Vanilla CNN框架，在WikiArt十风格分类中以90.2%准确率与0.897 F1分数超越GA、PSO、BOA及标准OOA，分数阶微积分引入的非局部记忆调控显著提升收敛稳健性与跨轮一致性，为元启发式驱动的数字艺术分析建立新基准，并拓展至文化计算应用。
