Порівняння можливостей архітектур нейронних мереж у дослідженнях творів мистецтва

Abstract

У статті розглянуто можливості застосування алгоритмів нейронних мереж, зокрема згорткових, генеративно-змагальних та трансформерів, для аналізу творів мистецтва. Методика дослідження базується на аналітичному підході до світових досліджень та публікацій, а також на експериментах та тестах в умовах технологічної лабораторії. Результати. Виконане порівняння переваг та недоліків трьох архітектур нейромереж, проаналізовані показники точності в різних завданнях та умовах. Подані результати власних експериментів автора з використанням деяких архітектур нейромереж, а також розглянуті приклади їхнього застосування в мистецтвознавчих дослідженнях. Висновки. З’ясовано, що згорткові нейронні мережі оптимальні для класифікації, атрибуції та пошуку схожих творів; генеративно-змагальні більше підходять для генерації нових зображень, стилізації та відновлення пошкоджень; архітектура трансформерів ефективна для аналізу композиції, семантики та контексту. Зроблено акцент на тому, що вибір релевантної архітектури залежить від специфіки завдання, наявних ресурсів дослідника, якості та кількості даних. The article explores the possibilities of applying neural network algorithms, particularly convolutional neural networks (CNNs), generative adversarial networks (GANs), and transformers, for the analysis of artworks. The research methodology is based on an analytical approach to global research and publications, as well as experiments and tests in a technological laboratory setting. Results. A comparison of the advantages and limitations of three neural network architectures is conducted, and accuracy metrics in various tasks and conditions are analyzed. The author’s own experimental results using some neural network architectures are presented, along with an overview of examples of their application in art studies. Conclusions. It is shown that convolutional neural networks are optimal for classification, attribution, and finding similar works; generative adversarial networks are more suitable for generating new images, stylization, and restoring damage; the transformer architecture is effective for analyzing composition, semantics, and context. Emphasis is placed on the fact that the choice of a relevant architecture depends on the specifics of the task, the researcher’s available resources , and the quality and quantity of data.