CC BY
0солнечных бурь», написанная им в конце жизни (Чижевский, 1973), всё-таки вышла в свет, хотя и через 9 лет!
Литература
1. Чижевский А.Л. Земное эхо солнечных бурь. Москва: Мысль, 1973. 350 с.
О РЕШЕНИИ ПРОБЛЕМЫ АТРИБУЦИИ ПРОИЗВЕДЕНИЙ ХУДОЖНИКОВ ВИКТОРИАНСКОГО МОДЕРНА ПОСРЕДСТВОМ МОДЕЛЕЙ ТЕОРИИ
РАСПОЗНАВНИЯОБРАЗОВ
Ю.А. Бродская
Саратовский государственный технический университет им. Ю.А. Гагарина, Саратов, Россия DOI:
В работе предложен алгоритм и его реализация, решающий задачу атрибуции живописи и графики наиболее ярких представителей раннего модерна викторианской эпохи (братство прерафаэлитов). Для реализации был сделан выбор в пользу моделей, основанных на машинах связи (connection machines), то есть нейронных сетей. Говоря о распознавании зрительных образов, имеется в виду, в первую очередь, анализ изображений, который является одной из наиболее изученных и популярных задач теории распознавания образов. Одно из наиболее интересных и перспективных приложений анализа изображений - это задача атрибуции произведений живописи, в частности, представителей выбранных стилей и направлений изобразительного искусства или же конкретных художников [1,2]. Представлена реализация алгоритма распознавания, использующего нейронную сеть, для атрибуции произведений художников-прерафаэлитов или, в других случаях, древнерусских икон и живописи кисти Леонардо да Винчи (на примере картины «Спаситель Мира») [2]. Для достоверной атрибуции произведений изобразительного искусства необходим анализ таких данных как: конструкция и обработка их основ, техника и технология красочного слоя. При исследовании авторства произведений изобразительного искусства, их сравнивают с данными материально-структурных особенностей произведений живописи, исходя из соображений установленного авторства. Материально-технологические сведения - наиболее объективные показатели индивидуальной манеры работы художника, и при распознавании работ, выбранных для атрибуции, необходим анализ приемов, структуры и технологических особенностей всех участков композиции живописцев. В работе обученная нейросеть способна распознавать, является ли предоставленное пользователем изображение оригинальным произведением художника-прерафаэлита на основе
некоторого ряда характеристик, определенного и категорированного в процессе непосредственного проектирования нейронной сети. В процессе создания и реализации распознающего алгоритма учитывалось, что творчеству прерафаэлитов присущ весьма характерный и детализированный стиль, который часто трудно определить и анализировать с использованием традиционных методов. Нейросеть может обнаруживать сложные структуры и распознавать уникальные характеристики, что делает их мощным инструментом для атрибуции в помощь специалистам в данной области. В результате исследований была подобрана искомая архитектура нейросети, определен перечень рассматриваемых художников-прерафаэлитов, описаны ключевые особенности их стиля, которые в дальнейшем могут быть использованы при более подробной категоризации. Для обучения нейросети было принято решение использовать язык Python и библиотеки Keras, Scikit-learn, вспомогательную библиотеку NumPy. В ходе работы был подготовлен рабочий датасет картин, состоящий из перечня картин художников-прерафаэлитов, а также других известных художников, не относящихся к данному движению («братству»). Картины были размещены по своим категориям в соотношении 70% - original (картины непосредственно братства художников прерафаэлитов), 30% - fake (другие картины известных авторов, не относящиеся к рассматриваемому направлению). Датасет разделен на тренировочный, валидационный и тестовый набор. Для этого разделения использовалась программа, в случайном порядке разделяющая изображения в соотношении 70/15/15. Таким образом, получили структуру файла: основная папка, 3 подпапки с наборами и в каждом наборе - разделение на original и fake категории. Обучена распознающая нейронная сеть, являющаяся ансамблем из 5 моделей, основанных на архитектуре MobileNetV2. Каждая модель обучалась на случайно перемешанных тренировочных данных. Согласно средствам аналитики scikit-leatn, точность ансамбля, по оценкам нейросети, достигает 85%. В результате анализа полученных результатов, достигнутый показатель признан удовлетворительным с учетом сравнительно небольшого размера датасета, использованного при обучении. Необходимо дальнейшее расширение и рефакторинг датасета, после чего можно рассмотреть вопрос о расширении функционала, такого как определение уже конкретных авторов, и работа с дополнительными метаданными картин (жанр, год создания и иные особенности).
Литература
1. Бродская Ю.А. Методы распознавания образов для атрибуции русской иконы. Цвет и свет в иконах Андрея Рублева. Гетеромагнитная микроэлектроника: сборник науч. трудов / под ред. проф. А.В. Ляшенко. -Саратов: Изд-во ОАО «Институт критических технологий», 2019. Вып. 27, С. 65-66
2. Бродская Ю.А. Математические методы распознавания образов в атрибуции живописи Леонардо да Винчи. Проблемы оптической физики и биофотоники. SFM-2021: материалы Международного симпозиума и Международной молодежной научной школы SaratovFallMeeting 2021 / под ред. Г.В. Симоненко, В.В. Тучина. - Саратов: Изд-во «Саратовский источник», 2021. С. 98-99.
139
