Deep Ensemble Art Style Recognition

在过去几十年中，艺术品的大规模数字化创造了对与抽象概念相关的大量数据进行分类、分析和管理的需求，突显了计算机科学领域中的一个具有挑战性的问题。人工智能和神经网络的快速进展提供了看似值得挑战的工具和技术。在深度学习领域，对艺术作品中各种艺术特征的识别引起了人们的关注。本文关注使用深度网络进行艺术风格识别的问题。我们比较了8种不同的深度网络结构（VGG16、VGG19、ResNet50、ResNet152、Inception-V3、DenseNet121、DenseNet201和Inception-ResNet-V2）在两个不同的艺术数据集上的表现，其中包括3种以前从未用于此任务的结构，从而实现了最先进的性能。我们研究了在应用深度学习模型之前进行数据预处理的效果。我们引入了一种堆叠集成方法，通过元分类器将第一阶段分类器的结果组合起来，创新性地采用了一种基于多个模型提取和识别输入的不同特征的多功能方法，相比现有作品创建了更一致的模型，并在最大的艺术数据集（WikiArt - 68.55%）上实现了最先进的准确性。我们还讨论了数据和艺术风格本身对我们模型性能的影响，形成了问题的多方面视角。

本论文旨在解决艺术风格识别的问题，即如何利用深度学习算法对艺术品进行风格分类和管理。

论文提出了一种基于深度学习算法的艺术风格识别方案，比较了8种不同的深度神经网络模型在两个不同的艺术数据集上的表现，并引入了堆叠集成方法来提高模型的准确性。

论文使用了多个数据集进行实验，并比较了8种不同的深度神经网络模型在这些数据集上的表现。此外，论文引入了堆叠集成方法，通过多个模型的结果来提高分类器的准确性。最终，论文在最大的艺术数据集上实现了最高的准确性（68.55%）。

在这个领域中，还有一些相关的研究，例如“ArtGAN: Artwork Synthesis with Conditional Categorial GANs”和“Artistic Style Transfer for Videos with CNNs”。