艺术品分类:根据风格,体裁和艺术家分类绘画-源码

上传者: 42117485 | 上传时间: 2021-09-28 23:24:03 | 文件大小: 616KB | 文件类型: ZIP
艺术品的风格,流派和艺术家分类 艺术品数字化的增长说明了根据艺术家,风格和绘画风格对绘画进行分类的重要性。 分类方法的确可以帮助游客和策展人以自己的步调分析和可视化任何博物馆中的画作。 此外,寻找画家是一项艰巨的任务,因为大多数画家的艺术品可能具有独特的绘画风格,而多位画家可以拥有相同的绘画风格。 楷模 我已经尝试了四种模型- 香草卷积神经网络的实现 通过结合视觉词袋技术使用随机森林分类器的基于统计机器学习的方法。 胶囊网络的实现 使用像AlexNet这样的预训练网络进行转移学习 数据集 用于此分类任务的数据集是从参考获得的Wikiart数据集。 下图说明了该数据集的训练图像与测试图像的分布。 模型1-CNN实施 卷积神经网络是具有健壮架构的这种简单前馈网络的变体。 图像矢量作为CNN的输入给出-然后,CNN计算权重,损失函数以获得最终输出并标识相应的类别。 CNN是可以与图像配合使用

文件下载

资源详情

[{"title":"( 21 个子文件 616KB ) 艺术品分类:根据风格,体裁和艺术家分类绘画-源码","children":[{"title":"Classification-of-Artwork-master","children":[{"title":"plotTrainingAccuracy_All.m <span style='color:#111;'> 516B </span>","children":null,"spread":false},{"title":"finalCNN.py <span style='color:#111;'> 9.51KB </span>","children":null,"spread":false},{"title":"rftesting.py <span style='color:#111;'> 3.43KB </span>","children":null,"spread":false},{"title":"capsuleNet.py <span style='color:#111;'> 17.64KB </span>","children":null,"spread":false},{"title":"plotTrainingAccuracy.m <span style='color:#111;'> 362B </span>","children":null,"spread":false},{"title":"visualization.m <span style='color:#111;'> 9.26KB </span>","children":null,"spread":false},{"title":"requirements.txt <span style='color:#111;'> 7.11KB </span>","children":null,"spread":false},{"title":"dataset.py <span style='color:#111;'> 4.08KB </span>","children":null,"spread":false},{"title":"Figures","children":[{"title":"alex_arch.png <span style='color:#111;'> 71.57KB </span>","children":null,"spread":false},{"title":"Capsule_arch.PNG <span style='color:#111;'> 131.45KB </span>","children":null,"spread":false},{"title":"RF_implementation.PNG <span style='color:#111;'> 33.27KB </span>","children":null,"spread":false},{"title":"a.png <span style='color:#111;'> 274.19KB </span>","children":null,"spread":false},{"title":"artist_ROC.PNG <span style='color:#111;'> 60.26KB </span>","children":null,"spread":false},{"title":"cnnarch.png <span style='color:#111;'> 31.65KB </span>","children":null,"spread":false}],"spread":true},{"title":"rftraining.py <span style='color:#111;'> 2.61KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 6.04KB </span>","children":null,"spread":false},{"title":"alexNetDataAug.m <span style='color:#111;'> 2.03KB </span>","children":null,"spread":false},{"title":"transferLearning.m <span style='color:#111;'> 6.36KB </span>","children":null,"spread":false},{"title":"ROCPlots.m <span style='color:#111;'> 5.57KB </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 10B </span>","children":null,"spread":false},{"title":"dataPreprocessing.py <span style='color:#111;'> 3.67KB </span>","children":null,"spread":false}],"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明