OmniArt : Apprentissage profond multi-tâches pour l'analyse de données artistiques

De grandes quantités de données artistiques sont dispersées en ligne, provenant à la fois des musées et des applications d'art. La collecte, le traitement et l'étude de ces données, en tenant compte de tous les attributs associés, constituent un processus coûteux. Motivés par le désir d'accélérer et d'améliorer la qualité de l'analyse catégorielle dans le domaine artistique, nous proposons dans cet article une méthode efficace et précise pour l'apprentissage multi-tâches avec une représentation partagée appliquée au domaine artistique. Nous montrons ensuite comment différentes configurations multi-tâches de notre méthode se comportent sur les données artistiques et surpassent les approches basées sur des caractéristiques conçues manuellement ainsi que les réseaux neuronaux convolutifs. En plus de la méthode et de l'analyse, nous proposons un défi similaire à celui d'un nouveau jeu de données agrégé comprenant près de 500 000 échantillons et des métadonnées structurées, afin d'encourager des recherches ultérieures et une implication sociétale.