ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖ ДЛЯ АТРИБУЦІЇ КУЛЬТУРНИХ ЦІННОСТЕЙ: МЕТОДОЛОГІЯ, РЕЗУЛЬТАТИ ТА ПЕРСПЕКТИВИ
DOI:
https://doi.org/10.32782/uad.2025.2.3Ключові слова:
культурні цінності, атрибуція, нейронні мережі, цифрова гуманітаристика, культурологія, мистецтвознавствоАнотація
Мета статті: позначити можливості та перспективи використання нейронних мереж, зокрема глибинних моделей, для атрибуції культурних цінностей і творів мистецтва. Робота зосереджена на проблемі використання нейромереж для розпізнавання стилю, школи, періоду та авторства художніх творів, а також для розрізнення оригіналів і підробок. Нейронні мережі здатні виявляти малопомітні візуальні патерни та кореляції між складовими зображення, що дає змогу суттєво підвищити точність атрибуції порівняно з традиційними методами. Розглянуто сучасні архітектури, такі як згорткові нейронні мережі та трансформерні підходи (Vision Transformers, CLIP), які доповнюють дослідженням контекстну складову аналізу. Окремо висвітлено питання формування та збагачення баз даних оцифрованих зображень, оскільки якість і репрезентативність навчальних вибірок безпосередньо впливають на результати моделювання. У статті розглянуто проблему стилізації, адже впливи митців один на одного та культурні інтерференції можуть ускладнювати розпізнавання стилістики. Позначено етичні аспекти та наслідки неправильних атрибуцій, які можуть істотно впливати на мистецький ринок та історико-культурні дослідження. Представлено результати експериментальних оцінок точності атрибуції та запропоновано рекомендації щодо застосування напрацювань у музейній справі й наукових дослідженнях. Зроблено висновок, що попри високий потенціал нейронних мереж, участь експертів-мистецтвознавців в процесі атрибуції культурних цінностей залишається надзвичайно важливою. Отримані результати можуть слугувати підґрунтям для подальшого розвитку методів комп’ютерного аналізу в культурології та мистецтвознавстві, а також стимулювати появу нових міждисциплінарних досліджень у сфері цифрової гуманітаристики.
Посилання
Trigka M. 1 , Elias Dritsas E. Comprehensive Survey of Deep Learning for Image Restoration. Sensors. 2025. Vol. 25, no. 2. P. 531. URL: https://www.mdpi.com/1424-8220/25/2/531(date of access: 20.04.2025)
Baltrušaitis T., Ahuja C., Morency L.-P. Multimodal Machine Learning: A Survey and Taxonomy. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2019. Vol. 41, no. 2. P. 423–443. URL: https://dl.acm.org/doi/10.1109/tpami.2018.2798607 (date of access: 20.02.2025)
Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems. 2012. Vol. 25. P. 1097–1105. URL: https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf. (date of access: 20.04.2025)
Zhou B., Khosla A., Lapedriza A., Oliva A., Torralba A. Learning Deep Features for Discriminative Localization. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 27 2016 to June 30 2016. / Las Vegas, Nevada, USA, 2016. P. 2921–2929. URL: https://www.computer.org/csdl/ proceedings-article/cvpr/2016/8851c921/12OmNqIhFR6 (date of access: 01.05.2025)
Radford A., Kim J.W., Hallacy C., et al. Learning Transferable Visual Models From Natural Language Supervision. arXiv:2103.00020v1 [cs.CV]. Cornell University, 2021. P. 8748–8763. URL: https://doi.org/10.48550/arXiv.2103.00020 (date of access: 24.03.2025)
Vinayavekhin Ph., Khomkham B., et al. Identifying Relationships and Classifying Western-style Paintings: Machine Learning Approaches for Artworks by Western Artists and Meiji-era Japanese Artists. ACM Journal on Computing and Cultural Heritage. Vol. 17, Issue 1. Article no.: 6, 2024. P. 1–18. URL: https://doi.org/10.1145/3631136 (date of access: 20.02.2025)
