توضیحات
How the use of machine learning to analyze art images has revived formalism in art history, presenting a golden opportunity for art historians and computer scientists to learn from one another.
Though formalism is an essential tool for art historians, much recent art history has focused on the social and political aspects of art. But now art historians are adopting machine learning methods to develop new ways to analyze the purely visual in datasets of art images. Amanda Wasielewski uses the term computational formalism todescribe this use of machine learning and computer vision technique in art historical research. At the same time that art historians are analyzing art images in new ways, computer scientists are using art images for experiments in machine learning and computer vision. Their research, says Wasielewski, would be greatly enriched by the inclusion of humanistic issues.
The main purpose in applying computational techniques such as machine learning to art datasets is to automate the process of categorization using metrics such as style, a historically fraught concept in art history. After examining a fifteen-year trajectory in image categorization and art dataset creation in the fields of machine learning and computer vision, Wasielewski considers deep learning techniques that both create and detect forgeries and fakes in art. She investigates examples of art historical analysis in the fields of computer and information sciences, placing this research in the context of art historiography. She also raises questions as which artworks are chosen for digitization, and of those artworks that are born digital, which works gain acceptance into the canon of high art.
————————————————————–
ترجمه ماشینی :
نحوه استفاده از یادگیری ماشینی برای تجزیه و تحلیل تصاویر هنری، فرمالیسم را در تاریخ هنر احیا کرده است و فرصتی طلایی برای مورخان هنر و دانشمندان کامپیوتر فراهم می کند تا از یکدیگر بیاموزند. اگرچه فرمالیسم ابزاری ضروری برای مورخان هنر است، بسیاری از تاریخ هنر اخیر بر جنبه های اجتماعی و سیاسی هنر متمرکز شده است. اما اکنون مورخان هنر در حال اتخاذ روشهای یادگیری ماشینی هستند تا راههای جدیدی برای تجزیه و تحلیل تصاویر صرفاً بصری در مجموعه دادههای تصاویر هنری ایجاد کنند. آماندا واسیلوسکی از اصطلاح فرمالیسم محاسباتی برای توصیف این استفاده از تکنیک یادگیری ماشین و بینایی رایانه در تحقیقات تاریخی هنر استفاده می کند. همزمان که مورخان هنر در حال تجزیه و تحلیل تصاویر هنری به روشهای جدید هستند، دانشمندان رایانه از تصاویر هنری برای آزمایشهایی در یادگیری ماشین و بینایی رایانه استفاده میکنند. واسیلوسکی میگوید که تحقیقات آنها با گنجاندن موضوعات انسانی غنیتر میشود. هدف اصلی در به کارگیری تکنیکهای محاسباتی مانند یادگیری ماشینی در مجموعه دادههای هنری، خودکار کردن فرآیند طبقهبندی با استفاده از معیارهایی مانند سبک است، که یک مفهوم تاریخی پردردسر در تاریخ هنر است. پس از بررسی یک مسیر پانزده ساله در طبقهبندی تصویر و ایجاد مجموعه دادههای هنری در زمینههای یادگیری ماشین و بینایی کامپیوتر، واسیلوسکی تکنیکهای یادگیری عمیق را در نظر میگیرد که هم جعل و هم تقلبی را در هنر ایجاد میکنند و هم تشخیص میدهند. او به بررسی نمونه هایی از تحلیل تاریخی هنر در حوزه های علوم کامپیوتر و اطلاعات می پردازد و این پژوهش را در چارچوب تاریخ نگاری هنر قرار می دهد. او همچنین سوالاتی را مطرح میکند که کدام آثار هنری برای دیجیتالی شدن انتخاب میشوند، و از میان آن دسته از آثار هنری که دیجیتالی میشوند، کدام آثار در کانون هنر عالی پذیرفته میشوند.
tag : دانلود کتاب فرمالیسم محاسباتی: تاریخ هنر و یادگیری ماشین , Download فرمالیسم محاسباتی: تاریخ هنر و یادگیری ماشین , دانلود فرمالیسم محاسباتی: تاریخ هنر و یادگیری ماشین , Download Computational Formalism: Art History and Machine Learning Book , فرمالیسم محاسباتی: تاریخ هنر و یادگیری ماشین دانلود , buy فرمالیسم محاسباتی: تاریخ هنر و یادگیری ماشین , خرید کتاب فرمالیسم محاسباتی: تاریخ هنر و یادگیری ماشین , دانلود کتاب Computational Formalism: Art History and Machine Learning , کتاب Computational Formalism: Art History and Machine Learning , دانلود Computational Formalism: Art History and Machine Learning , خرید Computational Formalism: Art History and Machine Learning , خرید کتاب Computational Formalism: Art History and Machine Learning ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.