iStock-1295864090.png
KÜNSTLICHE INTELLIGENZ IN DER KUNSTERKENNUNG

Die Erkennung des Stils eines Malers ist ein kontinuierlich weiterentwickeltes Forschungsgebiet im Bereich des Maschinellen Lernens und der Künstlichen Intelligenz. Die Ansätze dafür sind mannigfaltig. Sie reichen von der Extraktion bestimmter Merkmale aus digitalen Abbildungen von Kunstwerken, die als Input für verschiedenste Klassifizierungs-Algorithmen dienen können, bis hin zu sogenannten Konvolutionalen Neuronalen Netzen (Convolutional Neural Networks, CNNs), wobei Letzteren lediglich die Bilder oder Bildausschnitte als Input dienen.

 

Die Art Intelligence GmbH hat zwar ursprünglich, im Rahmen eines vom LKA Berlin unterstützten Forschungsprojekts (und vor der Gründung der Firma), zunächst auch Erfahrungen mit extrahierten Merkmalen aus Kunstwerken gesammelt. Hierbei wurden insbesondere statistische Parameter wie etwa die durchschnittlichen Rot-, Blau- und Grün-Werte, ihre Standardabweichung sowie andere Messgrößen wie Kontrastgradienten und Ähnliches verwendet. Seit einigen Jahren nutzt das Start-up ausschließlich CNNs für seine Analysen – ganz einfach, weil die Ergebnisse der Modelle sehr viel besser sind als mit extrahierten Merkmalen, egal, welcher Art.

So erreicht die Art Intelligence GmbH in der reinen Erkennung von Malstilen mit CNNs, die mit 50 Malern aus allen Stilepochen trainiert wurden, eine Erkennungsgenauigkeit von 90 Prozent. Das ist deutlich besser als die sogenannte Human Level Performance, also die Erkennungsgenauigkeit von kunstinteressierten Menschen, wie sich bei einem spielerischen Wettbewerb 2018 im Museum Buchheim ("Museum der Phantasie") in Bernried am Starnberger See gezeigt hat.

Intuitiv lässt sich die Arbeitsweise eines CNN wie folgt beschreiben: Das Neuronale Netz besteht aus gut 23 Millionen Parametern, die während des sogenannten Trainings immer weiter dahin optimiert werden, die unterschiedlichen Malstile zu erkennen.

In gewisser Weise „lernen“ diese Netzwerke also Merkmale, die den Stil eines Malers ausmachen. Allerdings sind diese Merkmale abstrakt – und für den Menschen nicht nachvollziehbar. Jedoch kann mit bestimmten Methoden und Techniken zumindest visualisiert werden, an welchen Stellen in einem Bild die Algorithmen den Stil eines Malers erkennen.  

Die folgenden beiden wissenschaftlichen Veröffentlichungen geben – exemplarisch für Dutzende weitere Papers zu dem Thema – einen guten Überblick über die Funktionsweise von CNNs bei der Erkennung von Künstlern.  

http://cs231n.stanford.edu/reports/2017/pdfs/406.pdf

http://cs231n.stanford.edu/reports/2017/pdfs/410.pdf

Die Technik wurde bereits von verschiedenen Museen eingesetzt, um Werke aus den Beständen, bei denen der Urheber nicht überliefert ist, bestimmten Künstlern zuzuordnen.

Für die Erkennung von Fälschungen nutzt die Art Intelligence GmbH die in der Malererkennung trainierten CNNs, wendet jedoch zusätzlich eine leicht abgewandelte Evaluierungsmethode an, bei der auch die Erkennungsgenauigkeit gesicherter Fälschungen bzw. Imitationen des infrage kommenden Künstlers berücksichtigt werden.

Weitere Anwendungsbeispiele, wie etwa die Bestimmung einer porträtierten Person auf einem Gemälde, nutzen ebenfalls CNNs als Grundlage. Hier wird jedoch nicht der Stil des betreffenden Malers erkannt, sondern bestimmte biometrische Punkte im Gesicht der porträtierten Person. Voraussetzung für diese Art der Analyse ist, dass von der vermuteten Person weitere Abbildungen, seien es Fotos oder andere gemalte Darstellungen, vorhanden sind.