Improving workflows in digital art history: sharing annotations for patrimonial images segmentation and object detection
Notice bibliographique
Résumé
[english] This article addresses the lack of standardization in digital art history, with a particular focus on image segmentation and object detection. It argues for the establishment of interoperable and reproducible data standards to enhance the effectiveness and replicability of current workflows. Through the case study of animal representations in ancient India, the article underscores the necessity of harmonizing segmentation and object detection practices, while also recognizing the interpretive nature of art historical analysis. It advocates for the development of more adaptable tools that can accommodate the diverse levels of interpretation inherent in artworks, facilitating the integration of multi-layered semantic annotations. [français] Cet article aborde l’absence de standardisation dans le domaine de l’histoire de l’art numérique, en mettant particulièrement l’accent sur la segmentation d’images et la détection d’objets. Il plaide en faveur de l’établissement de standards de données interopérables et reproductibles afin d’améliorer l’efficacité et la reproductibilité des flux de travail actuels. À travers l’étude de cas des représentations animales dans les sculptures produites en Inde ancienne, l’article souligne la nécessité d’harmoniser les pratiques de segmentation et de détection d’objets, tout en reconnaissant le caractère interprétatif de l’analyse en histoire de l’art. Il préconise le développement d’outils plus flexibles, capables d’intégrer les différents niveaux d’interprétation propres aux œuvres d'art, et de faciliter l’intégration d’annotations sémantiques multi-niveaux.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».