Machine Vision Algorithm vælger de mest kreative malerier i historien

Kreativitet er en af ​​menneskehedens unikke egenskaber. Adskillige tænkere har udforsket de egenskaber, som kreativitet skal have, og de fleste udvælger to vigtige faktorer: uanset hvad kreativitetsprocessen frembringer, skal den være ny, og den skal have indflydelse.

Kunsthistorien er fyldt med gode eksempler i form af malerier, der ikke ligner nogen, der er dukket op før, og som har haft stor indflydelse på de efterfølgende. Leonardos 1469 Madonna og barn med et granatæble , Goyas 1780 Kristus korsfæstet eller Monets 1865 Høstakke ved Chailly ved solopgang og så videre. Andre malerier er mere afledte, viser mange ligheder med dem, der er gået før, og er derfor tænkt som mindre kreative.

Jobbet med at skelne de mest kreative fra de andre påhviler kunsthistorikere. Og det er ikke nogen nem opgave. Det kræver i det mindste en encyklopædisk viden om kunsthistorien. Historikeren skal derefter få øje på nye træk og være i stand til at genkende lignende træk i fremtidige malerier for at bestemme deres indflydelse.

Det er vanskelige opgaver for et menneske, og indtil for nylig ville det have været utænkeligt, at en computer kunne klare dem. Men i dag ændrer det sig takket være arbejdet fra Ahmed Elgammal og Babak Saleh ved Rutgers University i New Jersey, som siger, at de har en maskine, der kan gøre netop dette.

De har sat det i gang på en database med omkring 62.000 billeder af kunstmalerier for at finde ud af, hvilke der er de mest kreative i historien. Resultaterne giver en ny måde at udforske kunsthistorien og den rolle, som kreativiteten har spillet i den.

Adskillige fremskridt er gået sammen for at gøre dette fremskridt muligt. Den første er de hurtige gennembrud, der er sket i de senere år inden for maskinsyn, baseret på en måde at klassificere billeder efter de visuelle begreber, de indeholder.

Disse visuelle begreber kaldes klasseme. De kan være funktioner på lavt niveau som farve, tekstur og så videre, simple genstande som et hus, en kirke eller en høstak og funktioner på meget højere niveau som at gå, en lig og så videre.

Denne tilgang tillader en maskinsynsalgoritme at analysere et billede og producere en liste over klasseemner, der beskriver det (op til 2.559 forskellige klasseemner, i dette tilfælde). Denne liste er som en vektor, der definerer billedet og kan bruges til at sammenligne det med andre analyseret på samme måde.

Det andet fremskridt, der gør dette arbejde muligt, er fremkomsten af ​​enorme online-databaser med kunst. Dette er vigtigt, fordi maskinvisionsalgoritmer har brug for store databaser for at lære deres fag. Elgammal og Saleh gør det på to store databaser, hvoraf den ene, fra Wikiart-webstedet, indeholder billeder og anmærkninger til omkring 62.000 kunstværker fra gennem historien.

Den sidste del af deres arbejde er teoretisk. Problemet er at finde ud af, hvilke malerier der er de mest nye sammenlignet med andre, der er gået før, og derefter bestemme, hvor mange malerier i fremtiden, der har lignende funktioner til at regne ud deres indflydelse.

Elgammal og Saleh nærmer sig dette som et problem inden for netværksvidenskab. Deres idé er at behandle kunsthistorien som et netværk, hvor hvert maleri linker til lignende malerier i fremtiden og er knyttet til af lignende malerier fra fortiden.

Problemet med at bestemme den mest kreative er så et af at finde ud af, hvornår bestemte klassemønstre først dukker op, og hvordan disse mønstre bliver adopteret i fremtiden. Vi viser, at problemet kan reduceres til en variant af netværkscentralitetsproblemer, som kan løses effektivt, siger de.

Med andre ord, problemet med at finde de mest kreative malerier svarer til problemet med at finde den mest indflydelsesrige person på et socialt netværk, eller den vigtigste station i en bys metrosystem eller superspredere af sygdom. Disse er blevet standardproblemer i netværksteori i de senere år, og nu anvender Elgammal og Saleh det på kreativitetsnetværk for første gang.

Resultaterne af maskinsynsalgoritmens analyse er interessante. Figuren ovenfor viser kunstværker plottet efter dato langs den nederste akse og efter algoritmens kreativitetsscore på den lodrette akse.

Flere berømte billeder skiller sig ud som værende særligt nye og indflydelsesrige, såsom Goyas Kristus korsfæstet, Monets Høstakke ved Chailly ved solopgang og Munchs Det Skrige. Andre kunstværker skiller sig ud, fordi de ikke anses for at være kreative, såsom Rodins skulptur fra 1889 Bedstemor og Durers kultegning af Barbara Durer stammer fra 1514 .

Mange kunsthistorikere vil være enige. I de fleste tilfælde er resultaterne af algoritmen kunstværker, som kunsthistorikere faktisk fremhæver som innovative og indflydelsesrige, siger Elgammal og Saleh.

En vigtig pointe her er, at disse resultater er fuldstændig automatiserede. De opstår på grund af netværket af forbindelser mellem malerier, som algoritmen afslører. Der er ingen indledende seeding, der fordrejer søgningen på den ene eller anden måde.

Selvfølgelig vil kunsthistorikere altid skændes om præcis, hvordan man definerer kreativitet, og hvordan dette ændrer deres syn på, hvad der får den på listen over mest kreative. Det smukke ved Elgammal og Salehs teknikker er, at små ændringer i deres algoritme tillader forskellige definitioner af kreativitet at blive udforsket automatisk.

Denne form for datamining kan have en vigtig indflydelse på den måde, kunsthistorikere vurderer malerier på. Evnen til at repræsentere hele kunsthistorien på denne måde ændrer måden, hvorpå det er muligt at tænke kunst og diskutere den. På en måde er denne form for datamining, og de tal, der repræsenterer det, nye fornuftsinstrumenter for kunsthistorikere.

Og denne tilgang er ikke kun begrænset til kunst. Elgammal og Saleh påpeger, at det også kan bruges til at udforske kreativitet i litteratur, skulptur og endda i videnskab.

Vi vil se frem til at se, hvordan disse fyre anvender det andre steder.

Ref: arxiv.org/abs/1506.00711 : Kvantificering af kreativitet i kunstnetværk

skjule