El análisis automático de emociones en el arte visual sigue siendo un desafío significativo, principalmente debido a la escasez de datos anotados y la profunda brecha estilística y semántica entre la comprensión de imágenes genéricas y la interpretación artística específica del dominio. Este estudio introduce un nuevo marco de meta-aprendizaje mejorado con conocimiento semántico estructurado para el reconocimiento de emociones en pocas muestras en pinturas al óleo. El modelo propuesto integra una arquitectura de doble vía: una vía de meta-aprendizaje para la rápida adaptación visual y una vía semántica que incorpora conocimiento contextual de historia del arte. Estas vías se fusionan a través de un módulo de atención cruzada jerárquica, que alinea dinámicamente características visuales con conceptos semánticos relevantes durante el proceso de aprendizaje. Evaluaciones extensas en el conjunto de datos ArtEmis demuestran el rendimiento superior del marco, logrando una macro-precisión de vanguardia del 68.7% (1-shot) y 81.3% (5-shot). Los resultados confirman la eficacia del modelo para lograr un análisis de emociones robusto, generalizable e interpretable con datos limitados, avanzando en el campo de la comprensión computacional del arte.
Wei Li (Jue,) estudió esta pregunta.