СРАВНИТЕЛЬНЫЙ АНАЛИЗ СОВРЕМЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ ИСКУССТВ

В наше время проблема определения подлинности произведений искусства становится особенно актуальной. Ранее этот процесс выполнялся исключительно вручную, что требовало значительных затрат человеческих ресурсов. Однако с развитием технологий возникла потребность в создании интеллектуальной системы, способной проводить точный анализ и идентификацию произведений искусства. Уже существуют исследования, посвященные распознаванию объектов с различными топологиями на основе искусственного интеллекта, которые комбинируют методы глубокого обучения и машинного зрения [1–3]. Распознавание объектов искусства с использованием нейронных сетей – это область компьютерного зрения, направленная на идентификацию и классификацию произведений искусства, таких как картины, скульптуры и артефакты, с применением методов глубокого обучения. В крупнейших музеях и мировых хранилищах, таких как музей Лувр (Франция), Метрополитен-музей (США), Галерея Уффици (Италия), Британский музей (Великобритания), Рейксмузеум (Нидерланды), уже активно применяются современные технологии аутентификации произведений искусства, основанные на искусственном интеллекте и нейронных сетях. Эти системы позволяют значительно повысить точность определения подлинности экспонатов, автоматизировать процесс их анализа и минимизировать влияние человеческого фактора. Современные системы аутентификации, внедренные в крупнейшие музеи мира, позволяют не только более точно выявлять подлинность произведений искусства, но и защищать культурное наследие от фальсификаций и разрушения. Сверточные нейронные сети (CNN) – анализируют визуальные особенности картины, включая мазки, текстуру поверхности и цветовые сочетания. Глубокое обучение – обученные модели сравнивают исследуемое произведение с базой подлинных картин, выявляя потенциальные несоответствия. В данной статье представлено сравнительное исследование различных моделей нейронных сетей, направленное на повышение точности распознавания и обработки данных.

1. Кожагулов Е.Т., Жексебай Д.М., Сарманбетов С.А., Максутова А.А., Бажаев Н.А. Классификатор изображений микросхем при помощи сверточной нейронной сети // News of the National Academy of Sciences of the Republic of Kazakhstan. Physico-Mathematical Series. – 2021. – Т. 6. – № 340. – С. 59–65. https://doi.org/10.32014/2020.2518-1726.102/

2. Kozhagulov Y.T., Zhexebay D.M., Sarmanbetov S.A., Sagatbayeva A.A., Zholdas D. Comparative analysis of object detection processing speed on the basis of neuroprocessors and neuroaccelerators // News of the National Academy of Sciences of the Republic of Kazakhstan. Series physico-mathematical. – 2020. – Vol. 4. – No. 332. – P. 61-67. https://doi.org/10.32014/2020.2518-1726.66

3. Kozhagulov Y.T., Ibraimov M.K., Zhexebay D.M., Sarmanbetov S.A. Face Detection of Integral Image by Viola-Jones method // Recent Contributions to Physics. – 2018. – No. 3 (66).

4. Simonyan K. and A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. – 2014. https://arxiv.org/abs/1409.1556

5. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. Microsoft Research. – 2016. https://arxiv.org/abs/1512.03385.

6. Jiazhi Liang. Image classification based on RESNET // Journal of Physics Conference Series. – 2020. – Vol.1634. – No. 1. – P. 012110. September 2020. http://dx.doi.org/10.1088/1742-6596/1634/1/012110

7. Szegedy Ch., Wei Liu, Yangqing Jia, Sermanet P., Reed S., Arbor A., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.ieeecomputersociety.org/10.1109/CVPR.2015.7298594

8. Tan M. and Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning, ICML 2019 (Long Beach, 9–15 June 2019), pp. 6105–6114. http://proceedings.mlr.press/v97/tan19a.html

9. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Xiaohua Zhai, Unterthiner T., Dehghani M., Minderer M., Heigold G., Gelly S., Uszkoreit Ja., Houlsby N. An image is worth 16x16 words: transformers for image recognition at scale. Published as a conference paper at ICLR 2021. https://openreview.net/forum?id=YicbFdNTTy

10. YOLOv8 Architecture: A Deep Dive into its Architecture. – 2024. Yolov8.org. URL: https://yolov8.org/yolov8-architecture/

11. What is YOLO? The Ultimate Guide. Roboflow. – 2024. URL: https://blog.roboflow.com/guidetoyolo-models

12. Redmon Jo., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Conference: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – June 2016. http://dx.doi.org/10.1109/CVPR.2016.91