OmniArt: Mehrfachaufgaben-basiertes Tiefenlernen für die Analyse künstlerischer Daten

Große Mengen künstlerischer Daten sind sowohl von Museen als auch von Kunst-Apps im Internet verstreut. Die Sammlung, Verarbeitung und Analyse dieser Daten unter Berücksichtigung aller begleitenden Attribute ist ein kostenintensiver Prozess. Aus Motivation, die Geschwindigkeit und die Qualität der kategorialen Analyse im künstlerischen Bereich zu steigern, schlagen wir in diesem Artikel eine effiziente und genaue Methode für das mehrfache Lernen mit einer geteilten Repräsentation vor, die im künstlerischen Bereich angewendet wird. Wir zeigen weiterhin, wie verschiedene Konfigurationen des mehrfachen Lernens unserer Methode auf künstlerischen Daten verhalten und sowohl handgefertigte Merkmalsansätze als auch Faltungsneuronale Netze (Convolutional Neural Networks) übertreffen. Neben der Methode und der Analyse stellen wir eine Herausforderung dar, indem wir einen neuen aggregierten Datensatz mit fast halb Millionen Stichproben und strukturierten Metadaten vorschlagen, um weitere Forschungen und gesellschaftliches Engagement zu fördern.