摘要
识别视觉艺术品具有挑战性，因为艺术作品的图像在类别内部存在较大差异，边界模糊，并且具有非摄影性质的纹理，同时这些图像还包含了与艺术家、流派、风格和历史时期相关的复杂线索。标准的卷积或变换模型通常源自自然图像分类任务，但这些模型可能无法有效区分绘画、素描、版画等不同的艺术形式。本文提出了ArtNAS-Style，这是一个可微分的神经架构搜索框架，它将艺术风格的先验知识融入到架构搜索过程中，以辅助视觉艺术识别。该框架 nicht nur auf die Klassifizierungsergebnisse, sondern auch auf einen stilsensitiven Zielfunktionskomplex achtet, der erkanntes Ausma?, Vielfalt stilrelevanter Merkmale, die Beibehaltung von Pinselstrich-?hnlichen Texturen sowie die Robustheit in verschiedenen stilistischen Bereichen berücksichtigt. Der vorgeschlagene ?Style Prior Encoding Module“ extrahiert aus jedem Kunstwerk Gramm-Statistiken, spektrale Informationen und Informationen zur Farbpalette; die ?Prior-Conditioned Search Cell“ nutzt diese Informationen, um die w?hrend der Suche verwendeten Operationen adaptiv anzupassen. Ein ?Style-Balanced Architecture Regularizer“ verhindert au?erdem, dass die gefundenen Architekturen auf bestimmte Kunstkategorien spezialisiert werden, und f?rdert die Entwicklung von unterscheidungsf?higen Merkmalen in diversen Kunstbereichen. Das Suchmodell ist kompakt, end-to-end trainierbar und auf mehrere Erkennungsaufgaben übertragbar. Unser Bewertungsprotokoll umfasst Aspekte wie Stil-, Künstler-, Schulen- und Objekttyp-Erkennung, zus?tzlich zu Vergleichen mit unterschiedlichen Parametern, Tests zur Robustheit, statistischen Analysen sowie Berechnungskosten.
