Применение машинного обучения для задач классификации в искусстве

Предложенные методы были протестированы на датасете Pandora и включали в себя построение классификатора поверх признаков, полученных классическими методами компьютерного зрения, а также поверх признаков, полученных с внутренних слоёв state-of-the-art нейронных сетей. Среди всех предложенных методов наилучшим образом себя показал классификатор на основе логистической регрессии в сочетании с внутренними признаками сети GoogLeNet v3. Также была произведена визуализация классов данных в контексте результата работы сети. В целом, можно отметить, что предложенный классификатор, использующий признаки классического компьютерного зрения, конкурентоспособен на фоне других классификаторов, использующих аналогичные признаки. Использование предварительно натренированной GoogLeNet и логистической регрессии дало лучший результат среди опубликованных работ, а предложенная визуализация предоставила новые факты о данных.