Classificação de pinturas com aprendizado de máquina

Abstract

This work intends to explore different architectures of Convolutional Neural Networks to classify paintings according to their authors. Such is the complexity of the problem, it was necessary to use the technique in which consists of exhaustively training the network with millions of samples on a given basis and then transfer this knowledge to the proposed problem. We made use of five network architectures: VGG16, Inception, Xception, ResNet and InceptionResnet. The dataset used was the WikiArt Dataset, in which all painters with more than 19.000 works were selected, totaling 23 classes for categorization. were balanced according to the number of images present. It was evident in the experiments the effectiveness of Inception network and its variants. All training was carried out on Google’s Colab platform, in order to optimize training time, which is not short on home computers.

Este trabalho pretende explorar diferentes arquiteturas de Redes Neurais Convolucionais para classificar pinturas de acordo com seus autores. Tal a complexidade do problema foi necessário utilizar a técnica em que consiste em treinar exaustivamente a rede com milhões de amostras em uma determinada base e depois transferir esse conhecimento para o problema proposto. Fizemos uso de cinco arquiteturas de redes: VGG16, Inception, Xception, ResNet e InceptionResnet. A base utilizada foi a WikiArt Dataset, em que todos os pintores com mais de 19,000 obras foram selecionados, totalizando 23 classes para categorização, sendo que as classes foram balanceadas conforme o número de imagens presentes. Ficou evidente nos experimentos a eficácia da rede Inception e suas variantes. Todo o treinamento foi realizado na plataforma Colab do Google, de modo a otimizar o tempo de treinamento, que não é breve em computadores domésticos.