Com o crescente desenvolvimento de sistemas de gerenciamento, muitos documentos, obras, fotografias tiveram que passar por um processo de digitalização para poder ser armazenadas com segurança e proteção contra deterioração. Com isso, milhares arquivos são gerados e acabam precisando de uma análise e classificação para serem salvos corretamente, tal análise pode demorar dias ou semanas dependendo do tamanho de sua equipe e da disponibilidade da mesma. Nesse cenário, é notável a necessidade de uma automação do processo, e uma maneira de sanar essa situação é utilizando inteligência artificial, especificamente com redes neurais.

Entendendo melhor, a ideia é treinar a máquina para realizar tarefas baseadas em exemplos que ela usa como base para estudos e aperfeiçoamento. Esse assunto é melhor explicado pelos autores Panos Louridas e Christof Ebert no artigo Machine Learning publicado em agosto de 2016 na revista IEEE Software. Porém, a quantidade de dados necessária para conseguir formar um modelo que atenda esse problema pode ser gigantesca. Desse modo, é necessário uma recorrência do uso de Deep Learning, uma técnica de aprendizado de máquina para representação de dados. No artigo Review of Deep Learning Algorithms and Architectures escrito por Ajay Shrestha e Ausif Mahmood disponível na revista IEE Acess publicado em abril de 2019, explica que de acordo com a complexidade do problema, o Deep Learning pode superar as limitações das redes superficiais que impediam um treinamento eficiente e com uma boa abstração de representações hierárquicas de dados. Além disso, no artigo também é discutido sobre o uso de métodos e técnicas para a otimização de sistemas Deep Learning que devem ser consideradas para este projeto.

Nessa circunstância, o aprimoramento da classificação de obras artísticas pode poupar recursos e tempo de trabalho principalmente em museus. Ademais, os resultados alcançados por estes estudos podem ser utilizados em outras aplicações, como exemplo uma classificação ainda mais específica para tentar encontrar traços de um pintor, algo semelhante foi publicado na revista IEEE Transactions on Image Processing em março de 2017 pelos autores Peyman Milanfar e Michael Elad, utilizando de CNN(Rede neural convolucional) conseguiram basicamente sintetizar os estilos de duas imagens em uma única que possui particularidades de ambas, fomentando no interesse de mais pesquisadores sobre o assunto.

O Museu Metropolitano de Arte (Metropolitan Museum of Art) em Nova Iorque em fevereiro de 2017 disponibilizou para o público 375.000 obras artísticas, com o intuito de facilitar o acesso à informação e para serem utilizadas em estudos. Logo depois, no mesmo ano foi publicada na revista Journal of Machine Learning Research um artigo que se baseia nesses estudos de classificação, feito pelos autores Adrian Lecoutre, Benjamin Negrevergne e Florian Yger. O artigo denominado Recognizing Art Style Automatically in Painting with Deep Learning publicado por eles contextualiza o problema de indexação de estilos artísticos e completa dizendo que com o usa de redes neurais residuais alcançaram uma melhora de precisão em aproximadamente 10%.

Além desse artigo, um outro ainda mais recente denominado Two-Stage Deep Learning Approach to the Classification of Fine-Art Paintings publicado na revista do IEEE Acess escrito por Catherine Sandoval , Elena Pirogova e Margaret Lech em março de 2019 também contextualizam o problema da digitalização de obras artísticas e o esforço que é demandado para classificação das mesmas. Nessa situação, como até mesmo o nome do artigo diz, foi proposto duas etapas no processo de classificação, uma em que a imagem é dividida em 5 “pedaços” e classificado individualmente cada um deles com CNN(Rede neural convolucional) e a segunda etapa para fundir os resultados e realizar a tomada de decisão, aplicando uma rede neural superficial treinada com o intuito de realizar uma correção de erro da rede.

Esses estudos de classificação artística ainda são recentes, assim, é uma pesquisa promissora a se desenvolver e conta com muita base de dados para se utilizar. Além disso, é possível utilizar as técnicas aplicadas nos outros artigos nesse projeto, possibilitando um grau de precisão satisfatório para estudos acadêmicos.

Confira os dados