Berømte malerier

Berømte malerier

Kontekst

Når vi forholder os til berømte malerier, skal vi også tage højde for objektive karakteristika som lærredets størrelse, typen af pensel det er malet med, visuel kompleksitet eller farvedensitet, udover deres kunstneriske kvalitet. Automatisk estimering af værdi og identifikation af malerens stil kan hjælpe samlere og museer med at analysere store samlinger af værker.

Til løsning af dette problem har I to filer til rådighed:

• train.csv – indeholder alle variabler, inklusive target_price, til træning af modeller
• test.csv – indeholder de samme variabler, uden kolonnen target_price, og dataene fra denne fil bruges til at generere forudsigelser

Beskrivelse af datasættet

Krav

For dette problem skal I løse 3 opgaver.

Opgave 1 – Kunstnerisk autenticitetsscore (20 point)

For nylig er en revolutionerende algoritme blevet opdaget af en gruppe forskere inden for kunstig intelligens og kunst. Den kan evaluere, baseret på maleriets objektive karakteristika, om et maleri med sikkerhed er autentisk eller ej.

For hvert maleri beregner algoritmen en Kunstnerisk Autenticitetsscore (KAS) ved hjælp af følgende regler:

1. Hvis stroke_density > 0.7, tilføj 2 point til KAS.
2. Hvis complexity > 0.65, tilføj 2 point til KAS.
3. Hvis uses_gold_leaf = True, tilføj 1 point til KAS.
4. Hvis has_signature = True, tilføj 1 point til KAS.
5. Hvis num_colors > 65 og colorfulness > 0.7, tilføj 2 point til KAS.
6. Hvis contrast < 0.4 eller brightness < 0.45 eller brightness > 0.75, træk 1 point fra KAS.

Efter beregning af scoren får maleriet etiketten:

• Autentisk: hvis KAS ≥ 5

• Usikker: hvis KAS < 5

• Answer i indsendingsfilen skal være Autentisk eller Usikker for hvert maleri i test.csv.

Opgave 2 – Gruppering af malerier efter malerens stil (40 point)

Det vides, at malerierne i datasættet er lavet af 5 berømte malere, men informationen om maleren er ikke tilgængelig.

Jeres opgave er at tildele hvert maleri i test.csv et numerisk ID mellem 0 og 4, således at malerier lavet af samme maler får samme ID.

• Answer i indsendingsfilen skal være det numeriske ID (0, 1, 2, 3 eller 4) for hvert maleri i test.csv.
• Alle malerier lavet af samme maler bør have samme ID.

Opgave 3 – Estimering af maleriernes pris (40 point)

For hvert maleri inkluderet i train.csv har vi specificeret en pris (kolonnen target_price). Baseret på informationerne tilgængelige i train.csv, træn en Kunstig Intelligens model der er i stand til at forudsige prisen for malerierne i test.csv.

Format for indsendingsfil

Filen submission.csv skal indeholde:

• SampleID - taget fra filen test.csv;
• subtaskID - kan være: Task1, Task2, Task3;
• Answer - den beregnede eller estimerede værdi for maleriet angivet ved SampleID for opgaven angivet ved subtaskID.

Evaluering

Delopgave 1 – Autenticitetsscore

For denne delopgave bruges eksakt sammenligning mellem de indsendte svar (Autentisk / Usikker) og de korrekte etiketter.

• Maksimal score tildeles kun hvis alle svar er korrekte.
• Hvis der er forkerte svar, tildeles scoren proportionalt, ved hjælp af reglen om simpel tredeling.

Delopgave 2 – Gruppering af malere

Evalueringen sker ved hjælp af Adjusted Rand Index (ARI).

• Maksimal score tildeles hvis:

• For værdier under denne tærskel tildeles scoren proportionalt.

Delopgave 3 – Prisforudsigelse

Evalueringen sker ved hjælp af Mean Absolute Error (MAE).

Regler:

• MAE ≤ 500 → maksimal score
• MAE ≥ 2000 → 0 point
• For værdier mellem disse to tærskler tildeles scoren proportionalt.