用于艺术品分析和个性化指导的多任务卷积神经网络

《Scientific Reports》：Multi-task convolutional network for artwork analysis and personalized guidance

　　

摘要

传统艺术教育评估易受主观判断影响，且反馈延迟，而单一视觉模型难以同时实现评估维度识别、质量评分和个性化指导。本研究构建了面向大学美术教育的AI-CNN驱动创新模型（AICDIM）。该模型采用艺术元素感知注意力机制（AEAA），通过结构、明暗、色彩和构图四个分支提取与艺术评估准则相对应的视觉证据，同时利用教师标注区域约束注意力定位。在训练阶段，将教师评语编码为文本语义表示，用于视觉-语言对齐。多任务学习（MTL）联合完成作品类别识别、质量评分和艺术风格识别。采用带安全约束的Q学习，根据学生历史表现选择教学建议。实验在WikiArt、OpenUArt-Student和APDDv2数据集上进行。在OpenUArt-Student数据集上，AICDIM的分类准确率、风格识别F1分数、评分均方误差（MSE）和缺陷检测平均精度均值（mAP）分别达到93.8%、0.914、4.25和76.2%。在APDDv2数据集上，整体评分均方误差和皮尔逊线性相关系数（PLCC）分别达到0.62和0.86。结果表明，准则感知注意力、语义约束和动态反馈策略提升了作品评估的准确性、可解释性和教学适用性。