Machine Learning permite métricas inspiradas na Física para analisar Arte

Machine Learning permite métricas inspiradas na Física para analisar Arte

Uma pesquisa internacional colaborativa relata que uma análise sistematizada de Machine Learning de obras de arte produzidas ao longo do último milênio produz informações reveladoras sobre tendências históricas da evolução artística. Além disso, os resultados mapeiam bem os conceitos canônicos sobre estilos e períodos da história da arte.

A análise artística é geralmente comparativa e historicamente conduzida por pesquisadores individuais, o que coloca restrições na escala de estudos. É impraticável para um único estudioso comparar mais do que um punhado de pinturas de cada vez. No entanto, nas últimas décadas, uma vasta quantidade de obras de arte histórica foi digitalizada e disponibilizada gratuitamente, permitindo abordagens quantitativas à análise artística que anteriormente eram inviáveis, se não impossíveis.

Em seu novo estudo, publicado pela Proceedings of National Academy of Sciences, os pesquisadores analisaram um conjunto de dados de 137.364 peças de arte visual, principalmente pinturas, hospedadas pela enciclopédia on-line WikiArt. O site contém obras de arte de mais de 2.000 artistas em mais de 100 estilos.

Cada arquivo foi convertido em uma representação de matriz. Aplicando algoritmos de machine learning, os pesquisadores analisaram as relações entre os pixels adjacentes e calcularam duas medidas de complexidade: a entropia de permutação normalizada H e a complexidade estatística C.

O valor H quantifica o grau de desordem na disposição de pixels de uma imagem. Por exemplo, um valor próximo de zero indica uma imagem regular, como aquelas produzidas por pintores minimalistas. Um valor próximo a um indica pixels que parecem irregulares ou mais desordenados, como as pinturas de Jackson Pollock.

A complexidade estatística C é uma medida da complexidade estrutural do trabalho. Pinturas que apresentam extremos de desordem ou ordem na disposição de pixels rendem zero, já que tais trabalhos têm baixa complexidade estrutural. O valor é positivo quando o sistema detecta padrões espaciais mais complexos.

Combinar essas duas medidas produz um plano de complexidade-entropia, que os autores apontam como uma técnica que tem sido aplicada em muitos outros campos. Não só essas medidas poderiam prever o estilo e o período das pinturas dentro de uma certa margem de erro; sua análise revelou uma clara trajetória da arte ao longo de 1000 anos com transições no plano complexidade-entropia que correspondem aos períodos canônicos na literatura de arte.

Especificamente, os pesquisadores puderam ver claramente mudanças distintas na entropia e na complexidade correspondentes aos períodos anteriores e posteriores à arte moderna e à transição da arte moderna para a arte pós-moderna. Eles traçam essas transições em uma linha do tempo e relatam que “não é difícil prever que a transição do Moderno para o Pós-moderno tenha sido impulsionada pelo fim da Segunda Guerra Mundial, o evento que geralmente marca o início do pós-modernismo nos livros de história”.

Os pesquisadores apontam que, por restringirem sua análise a essas duas medidas de complexidade, não é possível capturar totalmente a riqueza informacional que provavelmente está codificada na arte. “No entanto”, escrevem eles, “nossos resultados demonstram que métricas simples inspiradas na física podem ser conectadas a conceitos propostos por historiadores de arte e, mais importante, que essas medidas contêm informações relevantes sobre obras de arte, seu estilo e evolução”.

Fonte: http://www.pnas.org/content/early/2018/08/21/1800083115

[Total: 0    Média: 0/5]

Deixe um comentário