Automatic multi-class classification of geographical indication tagged tribal art using deep learning

方法

自建900张图像数据集，几何与颜色增强，Inception-ResNet-V2迁

发现

测试准确率达98.21%，验证趋势稳定，可作为部落艺术分类基线。

机会点

可延伸至小样本文化遗产图像识别、跨域风格迁移与数字档案检索系统构建。

在计算机视觉领域，深度学习显著提升了自动化图像分类的水平，然而针对印度部落艺术品的分类研究仍基本处于空白状态。这些艺术形式在风格上存在大量重叠，色彩搭配多变，手绘图案复杂，使得人工识别困难，自动化分类更具挑战性。现有的艺术品识别方法受限于数据集规模小、领域特定差异以及缺乏经过整理的部落艺术收藏。本研究针对上述不足，开发了一个基于深度学习的框架，用于对三种具有重要文化意义的印度部落艺术进行多类别分类：曼朱沙（Manjusha）、贡德（Gond）和瓦利（Warli）。研究构建了一个包含900幅图像的人工整理数据集，并通过基于几何和色彩的变换进行数据增强以提升鲁棒性。模型基于Inception-ResNet-V2架构，采用迁移学习方法构建。实验评估表明模型性能优异，测试准确率达到98.21%，验证趋势稳定。所提出的方法为部落艺术分类提供了一个可扩展的基线，有助于数字遗产保护以及检索或教育系统的未来发展。