Opracowano algorytm, który określa autora obrazu na podstawie charakterystyki pociągnięć w nim, a także jest w stanie odróżnić prawdziwe obrazy od podróbek namalowanych przez innych artystów. Według MIT Technology Review, programiści przeszkolili program na zestawie prawie trzystu obrazów znanych artystów, takich jak Picasso i Matisse. Rozwój amerykańskich i holenderskich specjalistów zostanie zaprezentowany na konferencji AAAI poświęconej sztucznej inteligencji w lutym 2018 r., Wstępny wydruk artykułu jest opublikowany na arXiv.org.
Ponieważ obrazy znanych artystów z reguły istnieją w jednym egzemplarzu, ich ceny mogą sięgać dziesiątek i setek milionów dolarów. Z tego powodu niektóre obrazy są kute przez złoczyńców i nie zawsze jest to zauważalne nawet dla osób zorientowanych w malarstwie. Aby zabezpieczyć się przed takimi fałszerstwami, proponuje się różne metody, na przykład wyposażanie obrazów w unikalne identyfikatory, których podrobienie jest prawie niemożliwe ze względu na złożoną mikrostrukturę.
Naukowcy ze Stanów Zjednoczonych i Holandii, kierowani przez Ahmeda Elgammala z Artrendex i Rutgers University, stworzyli algorytm, który potrafi rozpoznawać autorów obrazu po cechach ich pociągnięć. W 2015 roku ta grupa badaczy stworzyła już algorytm, który potrafi klasyfikować obrazy autorów, a nawet style na podstawie ich indywidualnych cech, takich jak kolory. W nowej pracy badacze postanowili skupić się na jednym elemencie obrazów - pociągnięciach.
Każde pociągnięcie można opisać wieloma cechami, na przykład kształtem, długością, jednolitością grubości wzdłuż pociągnięcia i innymi parametrami. Naukowcy postanowili wyodrębnić te cechy za pomocą algorytmów komputerowych. Początkowo obrazy zostały podzielone na osobne pociągnięcia za pomocą specjalnego algorytmu. Jako zbiór danych dla algorytmów badacze wykorzystali 297 obrazów znanych artystów, takich jak Picasso i Matisse, wykonanych w stylu litografii, rysunku tuszem i innych. Algorytm podzielił te obrazy na ponad 80 000 pojedynczych pociągnięć.
Zbiór danych do szkolenia i testowania algorytmów / Elgammal et al. / arXiv.org, 2017
Aby ocenić uderzenia, naukowcy zdecydowali się zastosować dwa podejścia. Opisali podstawowe cechy, takie jak grubość pociągnięcia i profil podłużny, przy użyciu różnych deskryptorów i nauczyli algorytmu wektora nośnego do klasyfikowania pociągnięć. Drugie podejście polegało na wykorzystaniu rekurencyjnej sieci neuronowej z kontrolowanymi, powtarzającymi się blokami, które niezależnie poszukiwały cech charakterystycznych dla niektórych artystów.
Przykład fałszywych obrazów. Górny rząd: fałszywy; imitacja; oryginał autorstwa Matisse. Środkowy rząd: oryginalny Matisse; imitacja; imitacja; oryginał autorstwa Matisse. Dolny rząd: fałszywy; oryginał autorstwa Matisse; oryginał Picassa; fałszywy / Elgammal et al. / arXiv.org, 2017
Po przygotowaniu algorytmów naukowcy przetestowali je na tym samym zestawie danych i łącząc oba podejścia, uzyskali 80-procentową dokładność rozpoznawania artystów. Poprosili również pięciu artystów o namalowanie kopii obrazów Picassa, Matisse'a i Schiele. Otrzymawszy 83 obrazy, sprawdzili je za pomocą swoich algorytmów i stwierdzili, że ich kombinacja jest w stanie rozpoznać podróbkę na wszystkich tych obrazach.
Film promocyjny:
W ciągu ostatnich kilku lat poczyniono znaczne postępy w przetwarzaniu i analizie obrazu przy użyciu algorytmów sieci neuronowych. Na przykład takie algorytmy mogą mieszać kilka stylów artystycznych na jednym obrazie, zamieniać szkice w pełnoprawne obrazy, a nawet tworzyć oryginalne dzieła sztuki. Również podobne algorytmy działają dobrze w przypadku nagrań wideo. Na przykład niedawno zaprezentowano system, który umożliwia wstawianie mowy osób trzecich do sekwencji wideo, niemal dokładnie odtwarzając artykulację mimiki mówiącej.
Grigorij Kopiew
