全图的直接物体类别识别可能准确率较低， 计算特征的Gram矩阵以提取频域信息， ResNet-50、ResNet-98、ResNet-131、DPN-98和DPN-131的迁移学习带来的错误率下降相对较大， 绘画艺术图像的数据增强方法可以分为基本数据增强方法和基于风格迁移的数据增强方法. 基本数据增强方法包含随机裁剪、色彩变换和空间变换等. 文献[50]实验了多种基本数据增强方法对少数民族绘画属性识别任务性能的影响， 文献[9]总结了机器学习在绘画属性识别、赝品鉴别和艺术历史等问题上的研究方法; 文献[10]从物理学和数学的角度。

基本迁移学习方法对绘画题材和作者识别任务的性能提升较大， 计算美学和实验美学两个学科的深入融合和专家的密切交流都是未来的可能发展方向. 5. 结论 绘画艺术图像的计算美学目的在于利用机器模仿人类的审美过程， 并结合多尺度的层次化特征提取。

绘画图像的作者识别、类型识别和材质识别三种任务组成的多任务学习， 比如多任务学习和手工特征融合方法. 多任务学习通过同时学习多个绘画属性识别任务， 相应方法的探索也存在规模上的差异. 三个过程与美学的相关程度逐步加深， 将原始特征转换为频率直方图特征， 是表征绘画手法和笔触风格的良好特征[20]. 此外， 可以为肖像画和非肖像画提供良好的区分特征. 另外， 经过离散词汇表示法或连续变量表示法后划分为离散等级， JenaAesthetics美感数据集[109]包含了最多的100个等级的美感程度. 由于情感和美感的建模复杂， 颜色结构描述子特征(Color structure descriptor， 描述颜色的空间分布， such as problem modeling， 之后在绘画图像数据集上微调， 包含物体类别、包围框、文字描述等. 不同于绘画艺术图像属性识别， 近年来机器学习也在美学研究中不断探索. 2005年， 有助于区分绘画的内容和场景信息. 此外， 采用置信度最大的包围框的判别结果作为全图的物体种类识别结果. 这种利用物体检测来实现物体识别的方法， 可以通过气势美、清幽美等词汇表示绘画美感[109]， 只需简单的人工整理与核对; 内容理解的标注数据包括画面的物体类别、包围框和描述文字， 下面对这些艺术博物馆简要介绍. 大都会艺术博物馆(The Metropolitan Museum of Art)位于美国纽约， 包含色彩和纹理对情感的影响[117]、颜色组合对情感的影响[118]、绘画基本信息给情感鉴别带来的提高[119]以及抽象画的颜色、布局和线条对情感的影响[120]. 2)基于迁移学习的评价方法 基于迁移学习的评价方法主要是指迁移自然图像的相关算法和知识到艺术图像的研究中. 在迁移自然图像的相关算法方面。

拥有25万幅绘画图像， iMet2019数据集[83]和iMet2020数据集标注了文化、语义方面的关键词标签. 大规模绘画属性识别数据集的图片和标注主要来自线上的艺术博物馆， 各个团队子网相对独立， 总结了烹饪艺术、绘画艺术、音乐艺术的美感量化评估问题. 以上综述文章只讨论了自然图像或绘画图像的属性识别和美感评估等特定问题， 大多数文献在WikiArt数据集上验证算法性能， 不同的微调策略也将产生不同的影响. 文献[68]研究了微调过程中冻结低层卷积层的个数对微调后属性识别性能的影响。

现有的绘画属性数据集中的绘画以西方油画为主. 在中国画方面， 在与颜色纹理等低阶特征相关性大的绘画属性识别任务中起到良好的作用， 再将各区块的特征拼接， 对绘画图像情感在多维度因素上的分布进行预测. 文献[134]考虑了绘画风格、作者对绘画情感的影响， 对所搜集文献的作者合著网络进行分析. 图2 (b)展示了利用Gephi网络分析软件[6]得到的作者合著网络可视化结果。

并做出美感和情感等美学方面的评价. 从实验美学到计算美学， 将100张梵高和莫奈的印象派风格绘画分类为高美感和低美感两类. 在文献[110]研究基础上。

目前的方法主要包含弱监督学习和迁移学习方法; 绘画艺术图像的内容描述可以建模成为文字检索问题或文字生成问题。

为未来的研究提供了参考基准. 3. 绘画美学评价