Thread Counting in Plain Weave for Old Paintings Using Semi-Supervised Regression Deep Learning Models

要約

この作業では、平織りキャンバス分析のスレッド密度推定を実行するために、深層学習に基づく回帰アプローチを開発しています。
以前のアプローチは、フーリエ解析に基づいていました。これは、いくつかのシナリオでは非常に堅牢ですが、他のいくつかのシナリオでは失敗します。機械学習ツールでは、手元の絵画の事前ラベリング、またはスレッド交差点のセグメンテーションを含み、良好な推定を提供します。
事前にラベル付けする必要のないすべてのシナリオ。
セグメンテーション アプローチは、交点の位置を特定した後に密度の推定が実行されるため、時間がかかります。
この新しい提案では、回帰深層学習モデルを使用して画像からスレッドの密度を直接計算することにより、このステップを回避します。
また、入力画像の初期前処理にいくつかの改善を組み込み、最終的なエラーに影響を与えます。
最良のモデルを保持するために、いくつかのモデルが提案され、分析されます。
さらに、半教師ありアプローチを導入することにより、密度推定誤差をさらに減らします。
私たちの新しいアルゴリズムのパフォーマンスは、Ribera、Vel\’azquez、および Poussin による研究で分析され、以前のアプローチの結果と比較されます。
最後に、この方法を実践して、プラド美術館での作者変更または傑作をサポートします。

要約(オリジナル)

In this work the authors develop regression approaches based on deep learning to perform thread density estimation for plain weave canvas analysis. Previous approaches were based on Fourier analysis, that are quite robust for some scenarios but fail in some other, in machine learning tools, that involve pre-labeling of the painting at hand, or the segmentation of thread crossing points, that provides good estimations in all scenarios with no need of pre-labeling. The segmentation approach is time-consuming as estimation of the densities is performed after locating the crossing points. In this novel proposal, we avoid this step by computing the density of threads directly from the image with a regression deep learning model. We also incorporate some improvements in the initial preprocessing of the input image with an impact on the final error. Several models are proposed and analyzed to retain the best one. Furthermore, we further reduce the density estimation error by introducing a semi-supervised approach. The performance of our novel algorithm is analyzed with works by Ribera, Vel\’azquez, and Poussin where we compare our results to the ones of previous approaches. Finally, the method is put into practice to support the change of authorship or a masterpiece at the Museo del Prado.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google