뉴럴 아트 페인팅 유사도를 통한 미술 작품 추천시스템

이지윤; 김성범

doi:10.7232/JKIIE.2019.45.3.240

추천

검색

질문

자료유형: 학술저널

저자정보: 이지윤 (고려대학교) 김성범 (고려대학교)

저널정보: 대한산업공학회 대한산업공학회지 대한산업공학회지 제45권 제3호

발행연도: 2019.6

수록면: 240 - 247 (8page)

DOI: 10.7232/JKIIE.2019.45.3.240

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

In the arts industry, several attempts have been made to use art images for painting recommendation systems. Measuring the visual similarity between paintings is an important task to achieve the effective painting recommendation system. However, existing similarity measures for paintings depend primarily on manually defined text data such as genre and subject. To address this limitation, we propose “deep neural art similarity” based on the semantic features extracted from the painting images using deep neural networks. The extracted features contain the three essential properties of art paintings (content, style, and structure) that can reflect the inherent characteristics of the paintings. The characteristic of the proposed method was examined through real art paintings and demonstrated its usefulness and applicability by comparing it with other existing methods.

#Fine Art Paintings #Similarity Metric #Recommendation #Style Transfer #Convolutional Nerual Networks #Convolutional Auto-Encoder

참고문헌 (24)

참고문헌 신청

Adams, L. S. (2018), The methodologies of art : An introduction, Routledge.

Arnheim, R. (1969), Visual thinking, Univ of California Press.

Canziani, A., Paszke, A., and Culurciello, E. (2016), An analysis of deep neural network models for practical applications, arXiv preprint arXiv:1605.07678. Dalal, N. and Triggs, B. (2005), Histograms of oriented gradients for human detection, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1, 886-893.

Das, M., De Francisci Morales, G., Gionis, A., and Weber, I. (2013), Learning to question : leveraging user preferences for shopping advice, Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 203-211.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이지윤

소속기관 고려대학교

주요연구분야 공학 > 산업공학

논문수 1 이용수 314

김성범

소속기관 고려대학교

주요연구분야 사회과학 > 경영학 TOP 10% 공학 > 산업공학 TOP 0.1%

논문수 408 이용수 51,372

이 논문과 함께 이용한 논문

조선말기 서구인이 수집한 민화와 그 특징

윤진영 미술사학연구(구 고고미술) 2018 .12

김은후 , 차준엽 , 정다혜 외 1명 한국정보과학회 학술발표논문집 2023 .12

샴 네트워크 모델 기반 이상탐지

목충협 , 김재훈 , 김현지 외 4명 대한산업공학회 춘계공동학술대회 논문집 2023 .05

인스타그램기반 이미지딥러닝을 활용한 개인 맞춤형 미술작품추천 방법

정민영 , 이현수 한국실내디자인학회 논문집 2022 .08

딥러닝 알고리즘을 활용한 디스플레이 정전척 FAB 공정의 불량 탐지 및 원인 분석

김서연 , 이지윤 , 목충협 외 7명 대한산업공학회지 2022 .04

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2019-530-000760710

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (24)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)