CNN ile Tarihi Süslerin Sınıflandırılması: Disiplinlerarası Çalışmalar için Çıkarımlar

Abstract

Bu metin, mimari miras bağlamında bilgisayarla görü ve derin öğrenme yöntemlerinin kullanımına ilişkin bir çalışmanın değerlendirmesidir. Bir tür derin öğrenme yöntemi olan evrişimli sinirsel ağ(CNN), Anadolu Selçuklu süs desenlerini sınıflandırma amacı ile uygulanmıştır. Bilgisayarla görü, mimari miras alanında bilgi sağlama ve çalışmalara yardımcı olma kapasitesine sahip olsa da, her iki alandaki bilgileri bir araya getiren sınırlı sayıda çalışma vardır. Mimarlık tarihini çalışmalarında sıkça karşılaşılan konulardan biri olan Anadolu Selçuklu süsleme desenlerinin sınıflandırılması, söz konusu potansiyeli araştırmak için bir örnek olarak seçilmiştir. Proje, veri toplama kolaylığı nedeniyle düz yüzeylerde oyma ile edilen süsleme desenlerine odaklanmıştır. Çalışma için kullanılacak fotoğraflar bir araya getirilmiş ve iki farklı ancak birbiriyle ilişkili veri kümesi oluşturacak şekilde işlenmiştir. Sınıflar ve alt sınıflar bitkisel (seyrek / yoğun), geometrik (seyrek / yoğun) olarak belirlenmiştir. Daha sonra derin öğrenme modellerini eğitmek ve süsleme sınıfı öngörülerini elde etmek adına iki farklı evrişimli sinirsel ağ(CNN) mimarisi kullanılmıştır. Bu çalışmanın sonuçları hem teknik hem de mimari açıdan incelenmiştir. Veri kümesi oluşturmanın hem uygulama hem süreç üzerindeki etkisi incelenmiştir. Böylece çalışma, gelecekteki kültürel miras ve yapay zeka konularında disiplinler arası araştırmalara temel oluşturmayı amaçlamıştır.

Keywords

• yapay zeka
• anadolu selçuklu süslemeleri
• mimari süslemeler
• mimari miras
• evrişimli sinirsel ağ

Classification of Historic Ornaments with CNN: Issues for Interdisciplinary Studies

Abstract

This paper is a critical assessment of an exploration of computer vision and deep learning methods in an architectural heritage context. Convolutional neural network, a type of deep learning is implemented to classify a group of Anatolian Seljuk ornamental patterns. The field of computer vision offers the potentials to assist studies in the field of architectural heritage. However, there are limited studies that combine knowledge across the two fields. One frequently studied topic is image classification based on features. In this study, we took on the task of classifying Anatolian Seljuk ornamental patterns to investigate the potential. The project focused on carved ornamental patterns on flat surfaces due to ease of data collection. The group of images is collected and arranged as two different yet related datasets. The classes are floral and geometrical, and subclasses are sparse and dense for both. Two different CNN architectures are used to train models for predictions. The process and effect of dataset creation on the implementation are explained. Results are discussed from both the technical and architectural points of view, providing a basis for further interdisciplinary studies.

Keywords

• convolutional neural networks
• architectural heritage
• architectural ornament
• anatolian seljuk ornaments
• artificial intelligence

References

1. Algan, N. (2008). Anadolu Selçuklu Dönemi Mimarisi Taş Yüzey Süslemelerinin İncelenmesi ve Seramik Yorumları (Unpublished doctoral dissertation or master's thesis). Dokuz Eylül Üniversitesi Güzel Sanatlar Enstitüsü Seramik Anasanat Dalı, İzmir, Turkey.
2. Bulut, M. (2017). Geometrik Sistemin Çözümlenmesi - Selçuklu Örnekleri Üzerine Birkaç Girişim. Sanat Tarihi Dergisi. 26. 27-44. doi: 10.29135/std.292044.
3. Glorot, X., Bordes, A., & Bengio, Y. (2011). Deep Sparse Rectifier Neural Networks. AISTATS.
4. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778.
5. Ioffe, S., & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. ArXiv, abs/1502.03167.
6. Ödekan, A. (1977). Osmanlı Öncesi Anadolu Türk Mimarisinde Mukarnaslı Portal Örtüleri. İstanbul, Turkey: İ.T.Ü. Mimarlık Fakültesi Baskı Atölyesi.
7. Kaplan, C., & Salesin, D. (2004). Islamic star patterns in absolute geometry. ACM Trans. Graph., 23, 97-119.
8. Kingma, D.P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. CoRR, abs/1412.6980.

9. Krizhevsky, A., Sutskever, I., & Hinton, G.E. (2017). ImageNet classification with deep convolutional neural networks. CACM.
10. Önkol Ertunç, Ç., (2016). Anadolu Selçuklu Dönemi Taçkapıları Süsleme Şeritlerinde Tezyinat. Pamukkale Üniversitesi İlahiyat Fakültesi Dergisi, 0(5), 114-131. Retrieved from https://dergipark.org.tr/tr/pub/pauifd/issue/17359/181261