تصنيف الأعمال الفنية يُعد من أبرز التحديات في مجال الذكاء الاصطناعي، حيث يمتزج الفن بالتفاصيل المعقدة والسمات المجردة التي تحدد أسلوب أو نوع العمل الفني. في هذا البحث، نقوم بتحليل منهجي لمدى فعالية هياكل التعلم الموجه (supervised) والتعلم الذاتي (self-supervised) كعوامل لاستخراج الميزات، مع تركيز خاص على اللوحات الفنية.

أجرينا تقييمًا تجريبيًا شاملًا باستخدام عائلتي نماذج DINO وCLIP، حيث قمنا بتقييم استراتيجيات التصنيف المختلفة وتمثيلات الميزات.

أظهرت نتائجنا أن استخدام هيكل تعلم ذاتي يُسفر عن تحسينات ملحوظة في أداء تصنيف الأعمال الفنية. كما يوفر بحثنا رؤى حول إمكانية تطبيق وحدات التصنيف والاسترجاع في التطبيقات العملية، مثل تطبيقات الواقع الافتراضي (VR) التي تدعم التنقل في المتاحف.

تتسارع وتيرة الابتكارات في مجال الذكاء الاصطناعي، مما يجعل من الضروري فهم كيفية استغلالها في مجالات فريدة مثل الفنون. كيف تعتقد أن تحسين أداء تصنيف الأعمال الفنية سيساهم في تعزيز تجربة الزوار في المتاحف؟ شاركونا آرائكم في التعليقات!