Ir izstrādāts algoritms, kas nosaka gleznas autoru pēc tajos esošo insultu īpašībām, kā arī spēj atšķirt reālas gleznas no citu mākslinieku gleznotiem viltojumiem. Izstrādātāji ir apmācījuši programmu gandrīz trīs simtu slavenu mākslinieku, piemēram, Pikaso un Matīsa gleznu komplektam, liecina MIT Technology Review. Amerikāņu un nīderlandiešu speciālistu attīstība tiks prezentēta AAAI konferencē par mākslīgo intelektu 2018. gada februārī, raksta pirmsdrukas ir publicētas vietnē arXiv.org.
Tā kā slavenu mākslinieku gleznas parasti pastāv vienā eksemplārā, to cenas var sasniegt desmitiem un simtiem miljonu dolāru. Tāpēc dažas gleznas vilto ļaundari, un tas ne vienmēr ir pamanāms pat cilvēkiem, kuri ir glezniecības pārzinātāji. Lai aizsargātu pret šādu viltošanu, tiek ierosinātas dažādas metodes, piemēram, gleznu aprīkošana ar unikāliem identifikatoriem, kurus ir gandrīz neiespējami viltot to sarežģītās mikrostruktūras dēļ.
Pētnieki no Amerikas Savienotajām Valstīm un Nīderlandes, kuru vadībā ir Ahmeds Elgammals no Artrendex un Rutgers universitātes, ir izveidojuši algoritmu, kas gleznu autorus var atpazīt pēc viņu insultu iezīmēm. Šī pētnieku grupa 2015. gadā jau ir izveidojusi algoritmu, kas var klasificēt autoru gleznas un pat stilus, pamatojoties uz viņu individuālajām īpašībām, piemēram, krāsām. Jaunajā darbā pētnieki nolēma pievērsties vienai gleznu sastāvdaļai - triepieniem.
Katru gājienu var aprakstīt ar daudzām īpašībām, piemēram, formu, garumu, biezuma vienmērīgumu visā gājienā un citus parametrus. Pētnieki nolēma iegūt šīs īpašības, izmantojot datoru algoritmus. Sākumā gleznas tika sadalītas atsevišķos triepienos, izmantojot īpašu algoritmu. Kā algoritmu datu kopu pētnieki izmantoja 297 slavenu mākslinieku, piemēram, Pikaso un Matīsa gleznas, kas veidoti litogrāfijas, tintes zīmēšanas un citu stilā. Algoritms ir sadalījis šos attēlus vairāk nekā 80 000 atsevišķu gājienu.
Datu kopa apmācības un algoritmu pārbaudei / Elgammal et al. / arXiv.org, 2017
Lai novērtētu insultu, pētnieki nolēma izmantot divas pieejas. Viņi aprakstīja pamatīpašības, piemēram, gājiena biezumu un garenisko profilu, izmantojot dažādus aprakstus, un iemācīja atbalsta vektora algoritmu insultu klasificēšanai. Otra pieeja bija izmantot atkārtotu neironu tīklu ar kontrolētiem atkārtotiem blokiem, kas patstāvīgi meklēja pazīmes, kas raksturīgas noteiktiem māksliniekiem.
Viltus gleznu piemērs. Augšējā rinda: viltus; viltus; oriģināls - Matīsa. Vidējā rinda: oriģināls Matīss; viltus; viltus; oriģināls - Matīsa. Apakšējā rinda: viltus; oriģināls - Matīss; oriģināls Pikaso; viltus / Elgammal et al. / arXiv.org, 2017
Pēc algoritmu sagatavošanas pētnieki tos pārbaudīja vienā un tajā pašā datu kopā, un, apvienojot abas pieejas, viņi sasniedza mākslinieka atpazīšanas precizitāti par 80 procentiem. Viņi arī lūdza piecus māksliniekus uzgleznot Pikaso, Matīsa un Šīles gleznu kopijas. Saņēmuši 83 gleznas, viņi pārbaudīja tās, izmantojot savus algoritmus, un secināja, ka to kombinācija spēj atpazīt viltojumu visās šajās gleznās.
Reklāmas video:
Dažos pēdējos gados ir panākts ievērojams progress attēlu apstrādē un analīzē, izmantojot neironu tīkla algoritmus. Piemēram, šādi algoritmi var sajaukt vairākus mākslinieciskos stilus vienā attēlā, pārvērst skices par pilnvērtīgām gleznām un pat radīt oriģinālus mākslas darbus. Arī līdzīgi algoritmi labi darbojas ar video ierakstiem. Piemēram, nesen tika prezentēta sistēma, kas ļauj ievietot trešo personu runu video secībā, gandrīz precīzi atjaunojot runātāja artikulējošās sejas izteiksmes.
Grigorijs Kopijevs