MCCFNet：用于中国传统绘画认知分类的多通道色彩融合网络
MCCFNet: Multi-channel Color Fusion Network For Cognitive Classification of Traditional Chinese Paintings
Jing Geng, Xin Zhang, Yijun Yan, Meijun Sun, Huiyuan Zhang, Maher M. Assaad, Jinchang Ren, Xiaoquan Li
Cognitive Computation · 2023-07-18
摘要
中国传统绘画的计算建模与分析高度依赖于基于视觉感知的认知分类，这一方法对于理解和辨识不同艺术家创作的艺术作品至关重要。然而，将视觉感知有效融入人工智能模型的研究仍相对匮乏。此外，中国绘画的分类研究也面临诸多挑战，比如针对用于作者分类与识别的绘画图像特征的研究尚不充分。为解决这些问题，我们提出了一种名为多通道色彩融合网络（MCCFNet）的新框架，旨在从多种色彩维度提取视觉特征。通过整合多个色彩通道，MCCFNet能够提升人工智能模型捕捉中国绘画中细微细节与微妙特征的能力。为了优化DenseNet模型的性能，我们针对DenseNet169架构专门设计了区域加权池化（RWP）策略，该策略可强化高区分性特征的提取能力。在实验评估中，我们将所提出的MCCFNet模型与六种前沿模型进行了全面对比，所用数据集包含来自10位著名中国艺术家作品的2436幅中国传统绘画样本。性能评估指标采用Top-1准确率与曲线下面积（AUC）。实验结果表明，所提出的MCCFNet模型在分类准确率上达到了98.68%，显著优于所有基准方法；同时，采用该框架后，各类深度学习模型在中国传统绘画分类任务中的表现也能得到大幅提升。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 针对传统中国画认知分类中视觉感知与人工智能模型结合不足，以及画作图像特征挖掘不够的问题，本文提出了一种多通道色彩融合网络（MCCFNet）。该网络主张从多元色彩视角提取视觉特征，以增强AI模型对中国画中复杂细节与微妙差异的捕捉能力，从而提升画家分类与识别的准确性。
- 研究方法
- 本文构建了多通道色彩融合网络框架，并针对DenseNet169架构专门引入了区域加权池化（RWP）策略以增强高判别性特征的提取。研究基于10位著名中国画家的2436幅画作样本构建数据集，采用Top-1准确率和曲线下面积（AUC）作为评估指标，将所提模型与六种前沿模型进行了全面的对比实验。
- 学术贡献
- 本文提出了一种将视觉感知有效融入AI模型的中国画分类新框架，弥补了该领域在视觉特征与AI结合方面的研究空白。实验证明该模型在分类任务中达到了98.68%的最高准确率，显著优于现有基准模型。此外，该框架具有普适性提升作用，能够广泛提升各类深度学习模型在中国画分类上的性能。
- 存在局限
- 材料中未明确提及
- 进一步研究方向
- 材料中未明确提及
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Aesthetic Perception and Analysis