Research on the classification of the paintings of 10 impressionist painters through deep learning
Notice bibliographique
Résumé
Since professional Go players Lee Sedol and Jie Ke were beaten by AlphaGo which was developed by Google’s sister company Deepmind, the artificial technology be- hinds it, deep learning (DL), has been drawn attention to people all over the world. Although the goal of this research is just to simply classify paintings of 10 impressionists, by using a convolutional neural network (CNN), there is something interesting found during the research to suggest that how powerful deep learning is. For the author himself, he cannot do that and even his friends who learning impressionists. The dataset is acquired from the Kaggle (Impressionist_Classifier_Data), which helps for this research to classify Impressionist painters into 10 categories including Camille Pisarro, Childe Hassam, Claude Monet, Edgar Degas, Henri Matisse, John Singer- Sargent, Paul Cezanne, Paul Gauguin, Pierre-Auguste Renoir, Vincent van Gogh. This research starts with introducing convolutional neural networks (CNNs) including convolutional layer, filters, pooling layer, fully connected layer. Then, based on the test result of the classifier, the author shows accuracy, loss graphof the training session, accuracy, precision, recall, macro f1-score, confusion matrix and unexpected findings of the classifier. The accuracy of the classifier is around 95 percent in training, 60 percent in validation and 83 percent in testing. The author found that even though he changed color of the test painting and transfer the style of painting, the classifier can still predict correctly.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».