Atenção Consciente de Linearidade: Melhorando a Classificação de Estilos Artísticos com Priors de Bordas Estruturais

Embora o aprendizado profundo tenha alcançado um sucesso impressionante na classificação de estilos artísticos, as redes neurais convolucionais (CNNs) padrão frequentemente exibem um “viés de textura”, priorizando pinceladas locais e padrões de cor em detrimento da lógica estrutural global essencial para a identificação estilística. Inspirando-se na teoria “Linear e Pictórica” de Heinrich Wölfflin, propomos a Rede de Atenção Espacial Guiada por Bordas (ESA-Net) para fechar a lacuna entre a extração de características e a estrutura estética. A ESA-Net utiliza uma arquitetura de fluxo duplo que desacopla a representação artística em texturas semânticas e contornos estruturais. Em seu núcleo, o módulo proposto de Atenção do Bloco Convolucional Guiado por Bordas (EG-CBAM) trata mapas de bordas exógenos como portas espaciais, recalibrando o foco do modelo em contornos salientes enquanto suprime o ruído textural. Os resultados experimentais no conjunto de dados WikiArt demonstram que a ESA-Net alcança uma precisão de ponta de 69,40%. Visualizações qualitativas via Grad-CAM confirmam ainda mais que nosso modelo alinha efetivamente seu processo de tomada de decisão com os layouts estruturais preferidos por especialistas humanos, fornecendo uma abordagem teoricamente fundamentada para a degustação computacional.