211service.com
Machine Vision Algoritme kiest de meest creatieve schilderijen in de geschiedenis
Creativiteit is een van de unieke kenmerkende eigenschappen van de mensheid. Talloze denkers hebben de kwaliteiten onderzocht die creativiteit moet hebben, en de meesten kiezen twee belangrijke factoren uit: wat het creativiteitsproces ook voortbrengt, het moet nieuw zijn en het moet invloedrijk zijn.
De kunstgeschiedenis is gevuld met goede voorbeelden in de vorm van schilderijen die anders zijn dan alle eerder verschenen schilderijen en die de volgende enorm hebben beïnvloed. Leonardo's 1469 Madonna en kind met een granaatappel , Goya's 1780 Christus gekruisigd of Monet's 1865 Hooibergen bij Chailly bij zonsopgang enzovoorts. Andere schilderijen zijn meer afgeleid, vertonen veel overeenkomsten met eerdere schilderijen en worden daarom als minder creatief beschouwd.
Het is de taak van kunsthistorici om de meest creatieve van de anderen te onderscheiden. En het is geen gemakkelijke opgave. Het vereist op zijn minst een encyclopedische kennis van de kunstgeschiedenis. De historicus moet dan nieuwe kenmerken herkennen en soortgelijke kenmerken in toekomstige schilderijen herkennen om hun invloed te bepalen.
Dat zijn lastige taken voor een mens en tot voor kort was het ondenkbaar dat een computer ze op zich zou kunnen nemen. Maar vandaag verandert dat dankzij het werk van Ahmed Elgammal en Babak Saleh aan de Rutgers University in New Jersey, die zeggen dat ze een machine hebben die precies dit kan.
Ze hebben het aan het werk gezet in een database van zo'n 62.000 foto's van beeldende kunstschilderijen om te bepalen welke de meest creatieve in de geschiedenis zijn. De resultaten bieden een nieuwe manier om de geschiedenis van de kunst en de rol die creativiteit daarin heeft gespeeld te verkennen.
Verschillende vorderingen zijn samengekomen om deze opmars mogelijk te maken. De eerste is de snelle doorbraken die de afgelopen jaren zijn gemaakt in machine vision, gebaseerd op een manier om afbeeldingen te classificeren op basis van de visuele concepten die ze bevatten.
Deze visuele concepten worden classemes genoemd. Dit kunnen kenmerken van een laag niveau zijn, zoals kleur, textuur, enzovoort, eenvoudige objecten zoals een huis, een kerk of een hooiberg, en kenmerken van een veel hoger niveau, zoals lopen, een lijk, enzovoort.
Deze benadering stelt een machine vision-algoritme in staat om een afbeelding te analyseren en een lijst met klassen te produceren die deze beschrijven (in dit geval tot 2559 verschillende klassen). Deze lijst is als een vector die de afbeelding definieert en kan worden gebruikt om deze te vergelijken met andere die op dezelfde manier zijn geanalyseerd.
De tweede vooruitgang die dit werk mogelijk maakt, is de komst van enorme online databases met kunst. Dit is belangrijk omdat algoritmen voor machinevisies grote databases nodig hebben om hun vak te leren. Elgammal en Saleh doen het op twee grote databases, waarvan er één, van de Wikiart-website, afbeeldingen en annotaties bevat van zo'n 62.000 kunstwerken uit de hele geschiedenis.
Het laatste onderdeel van hun werk is theoretisch. Het probleem is om uit te zoeken welke schilderijen het meest nieuw zijn in vergelijking met andere die eerder zijn gemaakt en vervolgens te bepalen hoeveel schilderijen in de toekomst vergelijkbare kenmerken hebben om hun invloed te bepalen.
Elgammal en Saleh benaderen dit als een probleem van netwerkwetenschap. Hun idee is om de kunstgeschiedenis te behandelen als een netwerk waarin elk schilderij in de toekomst verband houdt met soortgelijke schilderijen en wordt gekoppeld aan soortgelijke schilderijen uit het verleden.
Het probleem van het bepalen van de meest creatieve is dan het uitzoeken wanneer bepaalde patronen van klasgenoten voor het eerst verschijnen en hoe deze patronen in de toekomst worden overgenomen. We laten zien dat het probleem kan worden teruggebracht tot een variant van netwerkcentraliteitsproblemen, die efficiënt kunnen worden opgelost, zeggen ze.
Met andere woorden, het probleem van het vinden van de meest creatieve schilderijen is vergelijkbaar met het probleem van het vinden van de meest invloedrijke persoon op een sociaal netwerk, of het belangrijkste station in het metrosysteem van een stad of superverspreiders van ziekten. Dit zijn de afgelopen jaren standaardproblemen geworden in de netwerktheorie en nu passen Elgammal en Saleh het voor het eerst toe op creativiteitsnetwerken.
De resultaten van de analyse van het machine vision-algoritme zijn interessant. De afbeelding hierboven toont kunstwerken geplot op datum langs de onderste as en volgens de creativiteitsscore van het algoritme op de verticale as.
Verschillende beroemde foto's vallen op als bijzonder nieuw en invloedrijk, zoals Goya's Christus gekruisigd, Monet's Hooibergen bij Chailly bij zonsopgang en Munch's De Schreeuw. Andere kunstwerken vallen op omdat ze niet als creatief worden beschouwd, zoals het beeldhouwwerk van Rodin uit 1889 Oma en Durers houtskooltekening van Barbara Dürer daterend uit 1514 .
Veel kunsthistorici zouden het daarmee eens zijn. In de meeste gevallen zijn de resultaten van het algoritme kunstwerken die door kunsthistorici inderdaad als innovatief en invloedrijk worden bestempeld, zeggen Elgammal en Saleh.
Een belangrijk punt hierbij is dat deze resultaten volledig geautomatiseerd zijn. Ze komen tot stand door het netwerk van verbanden tussen schilderijen dat het algoritme blootlegt. Er is geen initiële seeding die de zoekopdracht op de een of andere manier vertekent.
Natuurlijk zullen kunsthistorici altijd discussiëren over hoe creativiteit precies moet worden gedefinieerd en hoe dit hun kijk op wat op de lijst van meest creatieve komt, verandert. Het mooie van de technieken van Elgammal en Saleh is dat kleine veranderingen in hun algoritme het mogelijk maken om automatisch verschillende definities van creativiteit te onderzoeken.
Dit soort datamining kan belangrijke gevolgen hebben voor de manier waarop kunsthistorici schilderijen beoordelen. Het vermogen om op deze manier de hele kunstgeschiedenis weer te geven, verandert de manier waarop men over kunst kan nadenken en erover kan praten. In zekere zin zijn dit soort datamining, en de figuren die het vertegenwoordigen, nieuwe redmiddelen voor kunsthistorici.
En deze benadering beperkt zich niet alleen tot kunst. Elgammal en Saleh wijzen erop dat het ook kan worden gebruikt om creativiteit in literatuur, beeldhouwkunst en zelfs in de wetenschap te onderzoeken.
We kijken ernaar uit om te zien hoe deze jongens het elders toepassen.
Referentie: arxiv.org/abs/1506.00711 : Creativiteit in kunstnetwerken kwantificeren