Defesa de Mestrado de Lucas Oliveira David

Título do Trabalho
Connoisseur: análise de procedência em pinturas
Candidato(a)
Lucas Oliveira David
Nível
Mestrado
Data
Add to Calender 2019-05-31 00:00:00 2019-05-31 00:00:00 Defesa de Mestrado de Lucas Oliveira David Connoisseur: análise de procedência em pinturas Sala 352 do IC 3 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
13:30
Local
Sala 352 do IC 3
Orientador(a)
Anderson de Rezende Rocha
Banca Examinadora

* Titulares

Unidade/Instituição

Anderson de Rezende Rocha

IC/UNICAMP

Romain Giot

UB - Université de Bordeaux

Paolo Bestagini

PM -  Politecnico di Milano​​​​​​​

 

* Suplentes

Unidade/Instituição

Sandra Eliza Fontes de Avila

IC/UNICAMP

Tiago Fernandes Tavares

FEEC/UNICAMP

Resumo

O crescimento de arte no meio digital tem, sem sombras de dúvida, democratizado o acesso ao conteúdo pelo público em geral. Entretanto, esse crescimento também implicou no indesejado aumento no número de falsificações e desinformação sobre conteúdos acerca de arte.
Nesta linha, aprendizado de máquina pode ser utilizado para automatizar a organização e identificação de obras de arte em relação à sua providência, auxiliando especialistas e usuários comuns na obtenção e validação de obras de arte.
Empregamos neste trabalho estratégias baseadas em redes convolucionais para identificar e classificar artefatos digitais relacionados à arte.
Primeiramente, pinturas de van Gogh são usadas para explorar e refinar estratégias capazes de discriminar seus padrões de pincelada.
Múltiplos testes de conjuntos de dados cruzados são executados a fim de validar o método mais promissor encontrado. Os resultados indicam que atingimos uma drástica melhora em performance enquanto produzindo uma leve melhora em pontuação (90.99\% acurácia em nível de segmento de pintura, 95.52\% acurácia em nível de pinturas), quando comparado à estudos anteriores sobre o mesmo conjunto de dados.
Estendendo nosso trabalho a partir da análise sobre van Gogh para um maior escopo, consideramos o conjunto de dados Painter by Numbers, onde expandimos nossa estratégia para o cenário multi-classe, onde buscamos distinguir pinturas divididas em 1.584 diferentes autores, 135 estilos e 42 gêneros. Propomos um método que combina informação dos três grupos de classes em um único discriminador de autoria, atingindo a ROC AUC competitiva de 0.91361 sem a aplicação de transformações potencialmente destrutivas sobre os padrões de pincelada que poderiam salientar características artificiais adjacentes, como brilho, contraste, escalas e objetos.