Algoritmo de visión artificial elige las pinturas más creativas de la historia

La creatividad es una de las cualidades únicas que definen a la humanidad. Numerosos pensadores han explorado las cualidades que debe tener la creatividad, y la mayoría destaca dos factores importantes: sea lo que sea que produzca el proceso de creatividad, debe ser novedoso y debe ser influyente.

La historia del arte está llena de buenos ejemplos en forma de pinturas que no se parecen a ninguna que haya aparecido antes y que han influido enormemente en las siguientes. 1469 de Leonardo virgen y el niño con una granada , 1780 de Goya cristo crucificado o Monet de 1865 Pajares en Chailly al amanecer. y así. Otras pinturas son más derivadas y muestran muchas similitudes con las anteriores, por lo que se consideran menos creativas.

El trabajo de distinguir a los más creativos de los demás recae en los historiadores del arte. Y no es tarea fácil. Requiere, como mínimo, un conocimiento enciclopédico de la historia del arte. Luego, el historiador debe detectar características novedosas y ser capaz de reconocer características similares en pinturas futuras para determinar su influencia.

Esas son tareas difíciles para un ser humano y, hasta hace poco, hubiera sido inimaginable que una computadora pudiera asumirlas. Pero hoy eso cambia gracias al trabajo de Ahmed Elgammal y Babak Saleh en la Universidad de Rutgers en Nueva Jersey, quienes dicen que tienen una máquina que puede hacer precisamente eso.

Lo han puesto a trabajar en una base de datos de unas 62,000 imágenes de pinturas de bellas artes para determinar cuáles son las más creativas de la historia. Los resultados proporcionan una nueva forma de explorar la historia del arte y el papel que la creatividad ha jugado en ella.

Varios avances se han unido para hacer posible este avance. El primero son los rápidos avances que se han hecho en los últimos años en la visión artificial, basados ​​en una forma de clasificar las imágenes por los conceptos visuales que contienen.

Estos conceptos visuales se denominan classemas. Pueden ser características de bajo nivel, como el color, la textura, etc., objetos simples, como una casa, una iglesia o un pajar, y características de mucho más alto nivel, como caminar, un cadáver, etc.

Este enfoque permite que un algoritmo de visión artificial analice una imagen y produzca una lista de clases que la describen (hasta 2559 clases diferentes, en este caso). Esta lista es como un vector que define la imagen y puede usarse para compararla con otras analizadas de la misma manera.

El segundo avance que hace posible este trabajo es el advenimiento de enormes bases de datos de arte en línea. Esto es importante porque los algoritmos de visión artificial necesitan grandes bases de datos para aprender su oficio. Elgammal y Saleh lo hacen sobre dos grandes bases de datos, una de las cuales, procedente de la web Wikiart, contiene imágenes y anotaciones sobre unas 62.000 obras de arte de toda la historia.

El componente final de su trabajo es teórico. El problema es determinar qué pinturas son las más novedosas en comparación con otras anteriores y luego determinar cuántas pinturas en el futuro tendrán características similares para determinar su influencia.

Elgammal y Saleh abordan esto como un problema de ciencia de redes. Su idea es tratar la historia del arte como una red en la que cada pintura se vincula con pinturas similares en el futuro y está vinculada por pinturas similares del pasado.

El problema de determinar los más creativos consiste entonces en determinar cuándo aparecen por primera vez ciertos patrones de classemas y cómo se adoptan estos patrones en el futuro. Mostramos que el problema puede reducirse a una variante de los problemas de centralidad de la red, que pueden resolverse de manera eficiente, dicen.

En otras palabras, el problema de encontrar las pinturas más creativas es similar al problema de encontrar a la persona más influyente en una red social, o la estación más importante del sistema de metro de una ciudad o los súper propagadores de enfermedades. Estos se han convertido en problemas estándar en la teoría de redes en los últimos años, y ahora Elgammal y Saleh los aplican a las redes de creatividad por primera vez.

Los resultados del análisis del algoritmo de visión artificial son interesantes. La figura anterior muestra las obras de arte trazadas por fecha en el eje inferior y por la puntuación de creatividad del algoritmo en el eje vertical.

Varias pinturas famosas se destacan por ser particularmente novedosas e influyentes, como la de Goya. Cristo crucificado, Monet Pajares en Chailly al amanecer. y Munch's El Grito. Otras obras de arte se destacan porque no se consideran creativas, como la escultura de Rodin de 1889. Abuelita y el dibujo al carbón de Durero de Bárbara Durero que data de 1514 .

Muchos historiadores del arte estarían de acuerdo. En la mayoría de los casos, los resultados del algoritmo son obras de arte que los historiadores del arte destacan como innovadoras e influyentes, dicen Elgammal y Saleh.

Un punto importante aquí es que estos resultados están completamente automatizados. Surgen debido a la red de enlaces entre pinturas que descubre el algoritmo. No hay siembra inicial que sesgue la búsqueda de una forma u otra.

Por supuesto, los historiadores del arte siempre discutirán sobre cómo definir exactamente la creatividad y cómo esto cambia su visión de lo que se incluye en la lista de los más creativos. La belleza de las técnicas de Elgammal y Saleh es que pequeños cambios en su algoritmo permiten explorar automáticamente diferentes definiciones de creatividad.

Este tipo de minería de datos podría tener un impacto importante en la forma en que los historiadores del arte evalúan las pinturas. La capacidad de representar toda la historia del arte de esta manera cambia la forma en que es posible pensar sobre el arte y discutirlo. En cierto modo, este tipo de minería de datos, y las cifras que la representan, son nuevos instrumentos de razón para los historiadores del arte.

Y este enfoque no se limita sólo al arte. Elgammal y Saleh señalan que también se puede utilizar para explorar la creatividad en la literatura, la escultura e incluso en la ciencia.

Esperamos ver cómo estos muchachos lo aplican en otros lugares.

Ref: arxiv.org/abs/1506.00711 : Cuantificación de la creatividad en redes de arte

esconder