A Study on the Geometric Characteristics of Line Mobility and Structural Changes in the Aesthetic System of Chinese Calligraphy
Notice bibliographique
Résumé
As an important part of Chinese traditional culture and art, how to efficiently realize the recognition, retrieval and style appreciation of calligraphy is of great significance. Aiming at the shortcomings of the traditional geometric feature recognition model with low recognition efficiency, this paper applies morphological neural network to the geometric feature recognition of calligraphy to design a geometric feature recognition model for calligraphy. Image enhancement is performed on the calligraphic graphics, the expansion pooling subnet is designed to replace the maximum pooling layer, and the calligraphic geometric feature recognition network is constructed by combining the residual block structure. The average recognition accuracy of this model in the geometric feature refinement recognition task is as high as 97.23%, which is higher than that of the comparative models such as CNN, LeNet-5, and the recognition accuracies are not less than 96% for the Euclidean, Liu, Zhao, and Yan styles. Using the model of this paper to explore the influence of calligraphic line fluidity and structural changes on the geometric features, it is analyzed that the “line” has a more significant influence on the geometric features of calligraphy than the “structure”. In the six types of traditional calligraphy, such as large seal, small seal, official script, regular script, line script, and cursive script, cursive script is only similar to the geometric characteristics of line script, and the geometric characteristics are very unique.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».