DELAUNAY

DELAUNAY是一个包含53位不同艺术家的抽象和非具象艺术作品图像的数据集，旨在为机器学习和心理物理学研究提供一个介于自然图像和非结构化模式之间的中间地带。该数据集的独特性质使其适用于研究样本效率与样本对自然图像的统计相似性之间的关系，特别是在人类和深度神经网络之间的差异。

DELAUNAY is a dataset comprising images of abstract and non-representational artworks from 53 different artists, designed to provide an intermediate ground between natural images and unstructured patterns for machine learning and psychophysics research. The unique nature of this dataset makes it suitable for investigating the relationship between sample efficiency and the statistical similarity of samples to natural images, particularly in the differences between humans and deep neural networks.

原始信息汇总

DELAUNAY数据集概述

数据集描述

DELAUNAY（Dataset for Experiments on Learning with Abstract and non-figurative art for Neural networks and Artificial intelligence）是一个包含抽象和非具象艺术作品的图像数据集，由53位不同艺术家的作品组成。该数据集旨在为机器学习和心理物理学研究提供一个介于自然图像和无结构模式之间的中间地带。

数据集内容

• 图像数量：共11,503张图像。
• 艺术家数量：53位。
• 平均图像数/艺术家：217.04张（标准差：58.55）。
• 数据集划分：训练集包含9202张图像，测试集包含2301张图像。

数据集下载

• 完整数据集：链接，包含11,503张图像。
• 训练集：链接，包含9202张图像。
• 测试集：链接，包含2301张图像。
• 图像URL：链接，包含每个图像的URL的.csv文件。

引用信息

• 论文：Gontier, Camille, Jakob Jordan, and Mihai A. Petrovici. "DELAUNAY: a dataset of abstract art for psychophysical and machine learning research." arXiv preprint arXiv:2201.12123 (2022).
• 引用格式：

@article{gontier2022delaunay, title={DELAUNAY: a dataset of abstract art for psychophysical and machine learning research}, author={Gontier, Camille and Jordan, Jakob and Petrovici, Mihai A}, journal={arXiv preprint arXiv:2201.12123}, year={2022} }

搜集汇总

数据集介绍

构建方式

DELAUNAY数据集的构建基于53位不同艺术家的抽象和非具象艺术作品，共计11,503幅图像。这些图像被精心分类，每类对应一位艺术家，平均每位艺术家有217.04幅作品，标准差为58.55。数据集被划分为训练集和测试集，分别为9,202幅和2,301幅图像。此外，数据集还提供了每幅图像的URL链接，便于进一步的数据处理和分析。

特点

DELAUNAY数据集的显著特点在于其介于自然图像与无结构模式之间的独特定位，为机器学习和心理物理学研究提供了新的视角。该数据集的高多样性和非具象性使其成为研究样本效率与统计相似性之间关系的理想工具，尤其是在探讨深度神经网络与人类感知差异方面。

使用方法

使用DELAUNAY数据集时，用户可以通过提供的URL链接下载图像数据，并使用PyTorch的DataLoader类进行加载和处理。数据集已预先划分为训练集和测试集，用户可根据研究需求选择合适的子集进行实验。此外，数据集的分类结构和艺术家标签为多分类任务提供了丰富的资源，适用于图像分类、特征提取等多种机器学习任务。

背景与挑战

背景概述

DELAUNAY数据集，由Camille Gontier、Jakob Jordan和Mihai A. Petrovici于2022年创建，旨在为心理物理学和机器学习研究提供一个独特的抽象艺术图像资源。该数据集以艺术家Sonia和Robert Delaunay命名，包含了来自53位不同艺术家的11,503幅抽象和非具象艺术作品，填补了机器学习研究中自然图像与完全无结构模式之间的空白。其独特性在于为研究样本效率与样本统计相似性之间的关系提供了实验基础，尤其是在探讨深度神经网络（DNNs）与人类感知差异方面具有重要意义。

当前挑战

DELAUNAY数据集的构建面临多重挑战。首先，抽象艺术作品的多样性和非具象性使得图像分类和特征提取任务变得复杂，传统的图像处理方法难以直接应用。其次，数据集的规模和多样性要求高效的存储和处理技术，以确保在机器学习模型训练中的可用性。此外，如何在心理物理学研究中有效利用这些抽象图像，以揭示人类与机器在视觉感知上的差异，也是该数据集面临的重要挑战。

常用场景

经典使用场景

DELAUNAY数据集的经典使用场景主要集中在心理物理学和机器学习研究领域。该数据集通过提供53位不同艺术家的抽象和非具象艺术作品，填补了传统自然图像与完全无结构模式之间的空白。研究者可以利用这一数据集探讨深度神经网络（DNNs）与人类在处理抽象图像时的样本效率差异，尤其是在样本与自然图像的统计相似性方面的表现。

解决学术问题

DELAUNAY数据集解决了在机器学习和心理物理学研究中长期存在的挑战，即如何评估和比较人类与机器在处理抽象艺术时的认知差异。通过提供高度多样化的抽象艺术图像，该数据集为研究者提供了一个独特的平台，用以验证样本效率与统计相似性之间的反比关系，尤其是在人类与DNNs之间的对比研究中具有重要意义。

衍生相关工作

基于DELAUNAY数据集的研究已衍生出多项经典工作，包括对抽象艺术图像的深度学习模型优化、心理物理学实验设计以及跨模态感知研究。这些工作不仅推动了机器学习算法在非自然图像上的应用，还为理解人类视觉系统的复杂性提供了新的视角，进一步促进了跨学科研究的深入发展。