文摘
随着技术的进步为代表的人工智能,艺术创作变得越来越富有,和内容表达聪明,互动,和数据驱动,使技术之间的关系,艺术,和人民日益紧密,使新兴的发展互动的机会。人工智能技术的目标是完全复制人脑通过启用基于周围环境的自然反应,解码的情绪,承认人类的特征能量范围内。由人工智能技术、互动艺术不再关注一个视听感官体验,而是综合艺术高度交互的表情,动力,和情感,基于自然人类行为的研究和综合感官,结合情报。在本文中,我们首先解决人工智能技术开发的交集和互动艺术表达流在时间轴上基于历史发展和分析解构主义关系的macroperspective技术和艺术的历史发展。首先,基于概念的内涵、发展历史、技术应用、人工智能和奇点前景,我们确定当前互动艺术的特征和发展趋势;第二,探索人工智能技术的优势的基础上,我们提出人工智能对创造性思维的影响,创新模式,互动艺术和艺术经验,建立互动艺术创作范式的AI的上下文。它解决问题专家无法快速定位的范畴中国画画家当面对不同风格的无符号数字图像真实性鉴定任务。
1。介绍
在互联网时代,数字博物馆、数字图书馆和一些相关网站的中国绘画和艺术发展。作为一种重要的艺术遗产,数字化中国画正在慢慢成为闻名的优点容易保存和快速检索。此外,它是简单的数字化中国绘画在宣纸,把它们变成数字中国画图像(1]。因此,中国画的数字化逐渐成为一种新的方式来保护中国画。然而,专家无法快速定位的范畴中国画画家面对无符号的数字图像真实性的任务不同风格的识别、影响识别的效率(2]。因此,中国画画家的分类,中国数字绘画的一个重要分支authenticity-assisted认证,已逐渐成为一个热点研究的分类精度和自动化。相反,中国画数字化的流行导致了数字中国画的质量控制的难度在中国画数据库(3]。此外,在大数据时代,数字化中国画的来源增加了,其内容的真实性已经逐渐成为了一个关注的焦点。传统的识别方法主要依赖鉴定专家的丰富经验4]。由于传统识别方法的主观性,缺乏客观的可引用指标,有限制识别的效率和准确性,面对新一代的信息技术伪造方法(5]。因此,数字中国画authenticity-assisted识别工具和自动化程度高和准确性尤为必要。在20世纪初,伟大的摄影的发展,沟通,和其他媒体技术达到西方艺术,这是基于现实主义,给艺术工作者带来了前所未有的危机感,越来越多的艺术家意识到建立一个新的艺术地位的唯一途径是创新,因此生无数艺术学校(6]。
互动艺术植根于立体派的艺术趋势,未来主义、达达主义,面对传统艺术和当代的发展奠定了坚实的基础数码互动艺术(7]。人工智能的关系和互动艺术的诞生可以追溯到1956年的“人工智能”的概念。互动艺术是基于计算机技术和人工智能技术,及其内在的技术和艺术之间的联系建立了出生以来的开发和集成的必然性(8]。互动艺术发展的早期阶段,互动艺术家定制规则的交互通过技术研究和吸引参与者创造的艺术世界,他们改变物质形态,强调形式和技术应用的满意度和忽略了经验和认知模式的参与者。在1980年代,计算机心理学逐渐发展成为一个认知学科,人工神经网络的研究发展迅速,突破语音识别和机器视觉技术将人工智能研究其性格形成期(9]。经验的研究概念正式进入视觉艺术家和技术工人,和关注人机交互体验成为互动艺术表达的关键。因此,随着人们追求的感觉经验和娱乐互动艺术,互动艺术创作的对象转变的研究对象来研究人类的行为,和科学和艺术之间的联系变得更紧密。在二十一世纪,随着深度学习人工智能技术的发展,人工智能的研究已经进入了一个黄金时期的应用,和人机交互技术,如智能语音交互,机器识别,基于人工智能和虚拟现实技术先进的突飞猛进,这是关键的以人为中心的交互艺术的发展(10]。智能、自然,学习,和非生物智能新技术和概念由人工智能的发展,支持当代数字智能互动艺术的创造和影响公众的审美趋势和艺术家的创造性思维。本文侧重于智能技术如何统治下的人工智能互动艺术表达思维的水平变化,意味着,体验互动艺术表达的逻辑,提出了一种范式的影响下人工智能技术(11]。
融合的艺术创造力和技术先进生产力为艺术的可持续发展提供了创造性的推动力和人机交互技术在未来。总的来说,人工智能不仅仅是一个简单的技术手段,艺术创作;它更多的是一种艺术创作思维的重塑和对人类认知的影响。我们收集材料与人工智能、影视创作、电影和电视市场管理,和影视消费体验,包括书籍、报纸和杂志,论文,理论与人工智能相关的工作,和电影和电视为论文提供全面的理论支持,借鉴和吸收研究成果从社会学、心理学、管理、法律、电影、电视、信息技术等。本文结合宏观和显微分析提供了一个更深刻的解释的主题。本文创新整理AI互动艺术表达的影响通过解构和重建思想,分析如何AI解构互动艺术创造的原始模型的技术和思想,然后分析了人工智能的影响在互动艺术表达的时间、空间、和自然逻辑,建立了应用范例。本文提供了一个新的交互式艺术创作实践方向。通过选择合适的统计方法,不同的外部环境因素进行分析理解的形状和数量分布的变化,变量之间的关系等。这种研究方法有一个非常明显的间接性和干扰少,容易实现。主要通过分析统计,报表,数据,和其他有关部门发布的信息,我们理解电影和电视产业的发展现状的影响下的人工智能,包括人工智能公司的地位,产品,技术发展相关的影视产业和人工智能应用程序的状态在影视行业,并预测其未来的方向。这项工作的贡献可以概括如下:(1)我们首先解决人工智能技术开发的交集和互动艺术表达流在时间轴上基于历史发展和分析解构主义关系的macroperspective技术和艺术的历史发展(2)基于探索人工智能技术的优势,提出人工智能对创造性思维的影响,创新模式,互动艺术和艺术经验,建立互动艺术创作范式的AI的上下文(3)该方法可用于快速定位的范畴中国画画家当面对不同风格的无符号数字图像真实性的识别任务
2。相关工作
全球研究人工智能进行了多久,和AI不能被称为一个新的科学。早期人工智能的发展,与后来的新技术的发展,近年来人工智能技术在许多领域取得了新的突破和授权的各种行业12]。由于日益频繁的人工智能近年来在公共生活和实际应用和技术的逐步成熟发展,文献的研究主要是集中在日报》报道,和人工智能的研究内容涉及到应用程序作为一个电影内容元素和人工智能在生产的影响,市场管理和消费者体验影视产业链(13]。中国画的特点是直接依据智能分类,和它们包含的信息量直接影响分类结果。在中国画的特点,小波特征用于分类(14]。特征值,可以表达绘画的特点提出了使用信息理论作为分类的基础。的局部和全局特征的绘画是用来研究中国画的作者。通过进一步的研究,画家的艺术风格成为在画中识别的一个重要因素15]。特征描述等画家的艺术风格的颜色,质地,和一笔也逐渐成为一个画家的分类的重要依据。语义分类是通过使用图像的颜色和形状特征的目标。颜色直方图、颜色一致性向量,使用和自相关纹理特性并根据绘画和绘画分为两类(16]。笔触的墨水颜色特征提取和中国画的绘画作为分类的基础。提出了一种多尺度灰度协方差矩阵方法来提取纹理特征和完整的中国画的分类识别17]。虽然图像基于内容的特性,比如颜色,质地,和一笔可以更好的表达这幅画的艺术风格和提高分类精度,纯粹的基础功能,直接导致不满意的分类结果和有局限性。此外,还有现有的研究工作相对较少多维功能基于图像内容的融合,融合中国画的基本颜色和形状特征和使用熔融特性作为中国画的基础研究(18]。上述研究融合更少的基本特性和分析不能提供足够的依据。
除了功能价值影响智能分类结果,分类方法和它的治疗特性也是智能分类的关键(19]。蒙特卡罗凸包的模型是用来实现中国画的分类。基于统计模型的上述分类方法依赖于功能的美好,和调优参数的繁琐过程降低了自动化的分类。他们提取小波中国画的特点,完成了利用支持向量机分类的中国画。上述参数调优过程改进基于机器学习的分类方法,但特性量化不够准确。的研究,发现基于深度学习分类方法不仅提供高层次的语义表示的图像特征,但也端到端设计这类的方法提高了自动化的分类。毕加索的一笔特性量化使用递归神经网络(RNNs),和美术的分类。深卷积神经网络(DCNNs)是用于实现纹理特征的描述古代绘画和古代绘画的分类。CNN是用来提取水墨画的一笔特性量化水墨画的风格和完整的分类(20.]。深聚合结构用于提高CNN模型的识别能力。残余机制提出了增加深度的网络连接和跳残余机制来提高网络的分类性能。特征尺度改变模块强调的重要性,提出了不同的图像特征通道。卷积块注意力机制模块(CBAM)提出了加强CNN模型提取特征的能力。因此,它已成为一个重要趋势智能分类介绍增强模块以提高网络的学习能力基于深度学习网络。
在1970年代和1960年代在西方艺术领域,人工智能相关理论研究和互动艺术已经开始,并提出了许多新的艺术概念,如“人工生命艺术,”“网络艺术”和“自然情报”(21]。第一次,它探讨了艺术家和他们的作品在科学研究的前沿和新兴技术。这本书是根据科学学科和技术组织类别,深入讨论了艺术和科学和技术之间的关系,如人工智能和机器人技术,探索新的可能性,揭示艺术家的工作。它大胆预测下一阶段的人工智能技术奇点,当人工智能与机器智能合并,大大丰富了人类的大脑更快,更准确,更大的存储、强记忆,和高效的数据共享功能。它解释了生产、生活的干扰,甚至艺术接近奇点的人工智能技术,nano-life技术,等。总结了历史的交织的艺术和技术,概述了数字艺术的演变自1980年代以来,并提供一个视觉未来的艺术表现,质疑观众互动,人工智能,通过分析政治和社会行为主义艺术家的数字艺术作品。这项工作的第三版,2015年,扩展了数字艺术的实践领域的虚拟现实、增强现实,互动的公共设施。艺术形式的进化等互动艺术制造techno-intellectual艺术和艺术的干计算机和湿bio-fusion详细讨论。人工和技术系统合并的方式,探索未来的情报对艺术创作的影响,和未来的进化生物进化和艺术的命运下的进化技术情报了。
3所示。基于人工智能的艺术设计特征提取
3.1。图像特征
仅靠数学工具分析图像是复杂的,需要找到可以量化图像信息的特征值。因此,提取图像特征,结合计算机的功能学习能力可以提高图像分析的效率。本文图像中风的概念和提取方法,详细描述了纹理和颜色特性的背景下研究。中风特征图像的线条组成一幅图像的内容,和行是原语组成一幅图像的内容。图像中,线条的变化可以表达图像内容的姿势和大纲。和线的厚度和小说也可以传达不同的信息。通过研究的特征线表面的图像,可以获得更深层次的意义。边缘检测算法通常用于检测图像的线特征。因此,应用边缘检测算法检测中国画可以突出中国画家的笔的特性。边缘检测算法通常依赖于边缘检测算子,常常被用来作为核心边缘检测算子。
检测原理来检测图像的边缘找到绝对灰度级的灰度图像。一系列的灰度矢量信息时生成一个图像的边缘检测算子使用改革。索贝尔算子通常计算两个方向,水平和垂直,每一个卷积矩阵的大小3×3,和任何的卷积矩阵可以得到另一个矩阵的旋转90°。表达式给出以下方程: 在哪里P是原始图像和Gx Gy卷积矩阵在水平和垂直方向,分别。具体计算公式方程所示f(x,y)是像素点的灰度值。
计算步骤如下:(a)计算图像的亮度差异在不同的方向使用两个3×3矩阵;(b)计算梯度值G图像中像素的Gx Gy,公式如下所示: 和(c)计算梯度方向与以下方程:
总之,Sobel算子不能区分对象和背景,和图像边缘是间歇性的,导致不准确的结果。如果你想改善检测效果,你可以增加卷积矩阵的大小,但这种手术会增加计算工作量。通常,图像由Sobel算子处理不是一个灰度图像,这将使图像和背景不容易区分。精明的经营者使用高斯滤波去除图像噪声在边缘检测过程中,这使得运营商不容易受到噪声干扰,可以应用于不同的场景通过设置不同的参数。精明的经营者能够充分反映图像中的边缘线的强度,使其检测快速、准确。
3.2。纹理特征
表面纹理特性的属性描述一个图像或图像区域。对于纹理特征的提取方法,如图1他们分为四个主要类别如下:(1)Statistical-based方法:随机纹理特性在图像区域,但一些常规的纹理特征特性可以使用统计方法开采。Statistical-based方法主要研究区域内的灰度分布图像。其中,灰度共生矩阵法是最适用的,该方法使用统计特征值的输出灰度共生矩阵来表示图像的纹理特征。缺点是不适用于进行像素级纹理分类的任务。(2)基于模型的方法:这个类的方法认为纹理可以安排根据一些模型分布,以及纹理基元之间的关系可以表示为模型的参数。代表的方法主要是随机法和分形法。然而,缺点是显而易见的,因为它不匹配实际的图像情况,纹理并不是充分表达。分形方法主要是利用图像空间位置信息和图像灰度之间的关系来提取图像的纹理特征。纹理特征提取,这种方法有一个特性,得到不同的分形维数在不同的图像区域提取出来。因此,应用分形维数区域纹理特征提取可以很容易区分不同的图像区域。(3)谱的方法:这种方法主要是基于光谱特征和纹理特征的多尺度分析。代表方法是小波变换,它在1990年代首次提出了纹理特征提取,然后各种改进方法基于小波变换应用于图像处理的各种任务。(4)基于结构的方法:该方法的基本思想是分析纹理基元构成纹理特性的规律性可以获得的纹理特性。
颜色特征是图像处理的重要视觉特征。其中,红,绿,蓝(RGB),色调,饱和度和亮度(HSV)是两种最常用的颜色空间。HSV颜色空间比RGB颜色空间颜色更直观的表示和广泛应用于图像处理任务。本文的下一部分常用的颜色特征提取方法。(1)颜色直方图是图像中每种颜色的比例,但忽略了颜色的空间分布信息。此法适用于图像分割任务。颜色直方图计算通常是基于HSV颜色空间。首先,图中不同的颜色分为不同的区域。然后,每个地区的不同颜色的像素数量计算。(2)史密斯提出的颜色集和类似于颜色直方图。首先,HSV颜色空间需要转换和颜色空间量化直方图。然后,创建一个索引颜色空间和颜色之间的组件。这种方法在检索速度有优势在面对大规模数据集。(3)斯特里克等人提出的颜色瞬间被表达绘画的颜色特征信息通过计算一阶颜色时刻,二阶的时刻,和三阶的图像,使用颜色信息的属性主要集中在低阶的时刻。(4)圣扎迦利提出的颜色熵是根据香农熵的定义提到在信息理论,结合信息熵与颜色直方图。规范化的颜色直方图可以设置为h,然后图像的熵是表示为
3.3。人工智能深度学习模型
深入学习是机器学习领域的一个新的研究热点。深度学习主要强调两点:(1)模型和(2)的深度特征信息从浅层次的映射到一个新的特征空间通过合理增加网络层的数量,使分类更准确。VGG深学习模型,被称为视觉几何集团是一个加深版AlexNet,设计的牛津大学的科学与工程学系,和通常用于图像分类和人脸识别等任务。最初,该模型旨在澄清的深度之间的关系网络和大规模的分类和识别的准确性。VGG模型是由一个卷积层、汇聚层,和一个完全连接层。卷积的基本计算层是卷积计算。通常,卷积操作需要设置步长等参数和填充。卷积运算后,激活函数通常是介绍。激活函数是用于提高网络的能力来适应各种各样的数据通过添加非线性功能。常用以下激活函数(ReLU、乙状结肠和双曲正切)。
此外,卷积后操作的输入特性映射使用大量的卷积核,需要过滤特性的信息地图,和池主要是操作使用最大值和平均值。完全连接层的主要作用是信息融合的特性,通常连接在降序排列。常用的VGG模型16和19层,分别如图2。
VGG网络的性能与深度呈正相关,但增加网络的深度会降低网络的学习能力,导致很多参数,以降低效率。GoogLeNet 22层的设计,但有十二分之一的参数AlexNet和VGG的四分之一。稀疏网络结构主要由小回旋的内核和3×3池层,从而提高网络性能,确保计算资源的有效利用。事实上,网络达到一定层数后,性能与层数呈负相关,从而导致收敛速度慢和糟糕的数据集的性能。残留网络中残余机制解决了这个问题通过使用多个参数层学习输入和输出之间的残余表示,也就是说,每个学习取决于前面的学习结果,防止网络的性能退化,使其学习的增量,而不是学习输入和输出之间的映射关系普通的网络结构。剩余机制的优点是,它很大程度上解决了网络性能的问题引起的增加层数。剩余的结构机制如图3。这一层的实际作用是一个非线性的组合功能,不包含特征提取和特征学习的能力。在图像处理中,参数的个数减少了使用小尺寸的卷积核。
4所示。实验结果分析
实验本文基于PyTorch深度学习培训和测试框架,NVIDIA GPU GTX 1060, 8 GB的视频内存,Cuda 10.1版。编程语言是Python 3.6。图4显示网络训练的主要参数,这些参数被用作基本设置的比较实验。验证的性能提出了网络分类在中国画中分类、5倍交叉验证方法,整个数据集,首先是分为五个不相交的子集,然后四个随机用作训练集和一个作为测试。
在图像块拒绝的过程,这幅画的艺术目标占据了一定比例的整个框架,还有空白的和毫无意义的图像块除了艺术目标,因为空白图像块和图像块包含少量的艺术目标可以提供更少的信息和低阈值的特点。因此,选择最佳的对比度阈值在[20、60、100、140、180、220]利用网格搜索方法。在随机领域方法、马尔可夫随机场模型是非常普遍的,他们是用来建立一个纹理和二维图像领域之间的联系。从图可以看出5阈值是20时,图像块的存在无效的信息会导致较低的准确率。随着对比阈值的增加,准确性也增加。这是因为空白图像块和图像块包含一些无效信息被淘汰和图像块包含有效信息被保留。精度最高的阈值是180。阈值为220时,开始减少,因为块包含有效信息的准确性是错误地拒绝,影响网络的分类结果。因此,阈值设置为180,具体效果图像contrast-based图像块的拒绝方法在不同的主题和不同的帧格式的图像。的结果,表明该方法是善于把空白的和毫无意义的图像块从绘画和留住他们的艺术目标的细节。
从图5,可以看出颜色特性的检查所有率和check-accuracy率很低在四个画家,这是因为颜色特征提取与单个颜色多样的绘画、色彩丰富的数据集是贫穷,很难达到良好的分类效果。这种现象是徐悲鸿的绘画更明显。从图可以看出,检查所有率和check-accuracy徐悲鸿的绘画的速度显然是低,和颜色特征在徐悲鸿的绘画特点不够。徐悲鸿的绘画主要是墨水和洗,也就是说,黑人和白人,缺乏丰富的色彩表情,导致检查所有和check-accuracy率低。因此,可以看出,颜色特征有一定的描述能力,但低颜色丰富的传统水墨画和小功能信息导致颜色特征在分类的局限性。与颜色特征、纹理特征有更好的描述能力,和纹理特征在两个索引更好的性能,检查所有率和check-accuracy率。纹理特征映射处理局部二进制模式算法消除了干扰的颜色绘画本身的特性,和旋转不变性也减少了绘画的不同形式的影响。four-painter分类实验,一笔特性有更好的性能在两个技术指标,即检测率和准确率,相比之下,颜色和纹理特征。它表明,一笔功能映射处理的边缘检测算法可以量化画家的艺术风格通过检测的边缘轮廓画家的绘画。最后,融合这三个特性后,检查所有率和check-accuracy率显著增加的四个画家。 It indicates that the fused features can make up for the deficiency of the color features' characterization ability; they have a deep semantic expression of the texture features; they retain the stroke features that can express the painter's artistic style. In summary, the fusion features are more suitable as the basis for the network classification. Furthermore, we discuss the effectiveness of the proposed network, and first argue whether the convolutional attention mechanism enhances the performance of the network. In the deep convolutional network, the commonly used attention mechanism modules are the SE module and CBAM module, and the experiments are mainly focused on these two modules to verify. The specific experimental results are shown in Figure6。
从下图可以看出,略优于SE CBAM模块模块的平均精度指标。它表明,SE模块强调网络渠道之间的关系,但忽略了地图空间信息的功能。智能互动艺术表达的自然逻辑遵循知识给人类的自然人类系统。人类的社会属性决定了传播和传播的经验,这样我们今天拥有极其丰富的人类认知经验和精神文化。CBAM模块来弥补这一缺陷强调功能映射之间的关系渠道和学习的空间信息特征映射通过空间注意机制模块。与基地网络相比,CBAM模块提高了网络的特征提取能力,大大提高了网络的性能。因此,我们在网络中加入这个模块。结合CBAM模块后,网络的平均精度显著提高指数,但在实验中,我们发现网络的性能直接影响当CBAM模块整合到网络的数量不同。然后,本文比较了CBAM模块的数量之间的关系和网络的性能。CBAM模块的数量增加的数量综合实验模块。 As seen in Figure7,当没有CBAM模块添加到网络的性能类似于ResNet-50网络。随着CBAM模块数量的增加,网络的性能逐渐提高。CBAM模块在每个剩余单位注册时,它不仅会增加网络的特征提取能力,也提高了网络的分类性能。
通常,深度学习网络使用ReLU作为激活函数是非线性的,增加网络的能力。我们通过实验比较ReLU激活函数的米什激活函数。从实验结果中,我们可以看到,有一个轻微的改善后的平均精度指标使用米什激活函数。它表明,米什激活函数能更好地传播信息在网络,增加网络的非线性性能,使其性能增强的特征提取。来验证本文提出的网络的优势,我们将网络与三个当前主流网络和测量它们的平均分类精度指标。结果如图所示8。与VGG-16相比,GoogLeNet和ResNet-50网络,该网络优于其他主流网络的平均精度指标。它表明multibranch注意力机制提出了具有网络特征提取和融合分类和适用于任务,比如智能国家绘画的分类。
人来自于自然的事实认定的人永远不能分离自己从大自然。当探索的原因在西方现代科学的兴起,他指出,文艺复兴的实质是一个科技复兴,并提议先生艺术和科学的儿子属于相同的自然本质。自然是客观现实的整体宇宙和万物的起源。智能互动艺术区别于其他形式的互动艺术坚持自然逻辑与智能技术付诸实践。人类认知行为由两部分组成;第一部分是操作系统,表达了人类的基本特征,生成的环境需求和集体行为的例子,比如挥手,点头,和其他人类物理行为;第二部分是认知系统通过语言或文字,这是环境需求所产生的反馈机制和认知进化,这个反馈机制,通过外部信息的处理、生产知识相结合的语音、文本、情感、物理对象和特定的内部环境信息。智能互动艺术的审美主体,人类完成了情感智能互动艺术的传播。在这个过程中,人工智能为游客提供人类基本动作和认知识别条件下人类的反馈机制,顺利完成交互工作,实现主题的自然融合,对象,和周围的环境,然后形成真正的沉浸体验和最后的情感传播。
5。结论
在这篇文章中,一个智能分类算法中国画画家提出了基于multibranch注意力机制网络从multifeature融合和深层语义表示的功能。首先,该算法使用对比统计特性来消除数字中国画图像块与小信息;其次,特点是数字中国画pregenerated使用中国画的风格特点;然后,智能分类网络基于multibranch注意力机制旨在完成融合和中国画的分类特性。
基于人工智能技术的先天优势的分析,本研究提出了如何互动艺术表达的人工智能可以改变原来的范例应用程序从创造性思维水平,创建模式和艺术经验,以建立一个智能互动艺术创作模式上下文中的人工智能。基于互动艺术表现形式的研究的影响下,人工智能技术,提出人工智能改变原始艺术美学的概念空间,时间,和自然的逻辑。基于互动艺术的研究表情AI技术的影响下,我们建议更改原始艺术美学的概念上的人工智能的空间,时间,和自然deboundaryization的逻辑和分析其审美特点,浸渍和情绪性。本文着重于解构和重建互动艺术表达的人工智能。本文提出一种数字中国画authenticity-assisted基于双网络身份验证方法。首先,我们使用敌对的生成网络学习的特点,画家的绘画和生成相应的画家伪造;其次,我们提出一个基于深入学习数字中国画authenticity-assisted识别网络生成的伪造;然后,我们想象的特征区域画家的图像;最后,我们开发一个基于web authenticity-assisted识别系统,它可以产生更多的accurate-assisted识别结果和专家为专家提供客观依据。通过实验分析,证明了该方法具有良好的灵敏度数字伪造和是可伸缩的。
在未来,一笔功能映射由边缘检测处理算法可以量化画家的艺术风格通过检测的边缘轮廓画家的绘画。此外,大量的数据收集后,我们可能会遇到大数据分析的问题。在这个时候,我们将使用一些轻量级的优化模型来解决大数据分析的问题。在不久的将来,我们将进一步利用人工智能的方法来学习和模拟画家的艺术,实现人工智能的自动绘画的能力。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的阶段性成果的主要国家哲学社会科学(Art)项目“研究设计美学”(没有批准。19 zd23)。