Une collaboration de recherche internationale rapporte qu'une analyse IA systématisée des œuvres d'art produites au cours du dernier millénaire fournit des informations révélatrices sur les tendances artistiques évolutives historiques. En outre, les résultats correspondent bien aux concepts canoniques sur les styles et les périodes de l'histoire de l'art.

L'analyse de l'art est généralement comparative, et a toujours été menée par des chercheurs individuels, ce qui impose des contraintes à l'échelle des études. Il est peu pratique pour un seul érudit de comparer plus d'une poignée de peintures à la fois. Cependant, au cours des dernières décennies, une grande quantité d'œuvres d'art historiques a été numérisée et mise à disposition gratuitement, permettre des approches quantitatives de l'analyse de l'art qui étaient auparavant irréalisables, sinon impossible.

Dans leur nouvelle étude, publié par le Actes de l'Académie nationale des sciences , les chercheurs ont analysé un ensemble de données de 137, 364 œuvres d'art visuel, principalement des peintures, hébergé par l'encyclopédie en ligne WikiArt. Le site contient des œuvres de plus de 2, 000 artistes dans plus de 100 styles.

Chaque fichier a été converti en une représentation matricielle. En appliquant des algorithmes d'apprentissage automatique, les chercheurs ont analysé les relations entre les pixels adjacents, et calculé deux mesures de complexité :l'entropie de permutation normalisée H, et la complexité statistique C.

La valeur H quantifie le degré de désordre dans la disposition des pixels d'une image. Par exemple, une valeur proche de zéro indique une image régulière comme celles produites par les peintres minimalistes. Une valeur proche de un indique des pixels qui semblent irréguliers ou plus désordonnés, comme les peintures au goutte à goutte de Jackson Pollock.

La complexité statistique C est une mesure de la complexité structurelle du travail. Les peintures qui présentent des extrêmes de désordre ou d'ordre dans la disposition des pixels donnent zéro, en tant que tels, les travaux ont une faible complexité structurelle. La valeur est positive lorsque le système détecte des modèles spatiaux plus complexes.

La combinaison de ces deux mesures produit un plan complexité-entropie, ce que les auteurs soulignent est une technique qui a été appliquée dans de nombreux autres domaines. Non seulement ces mesures pouvaient prédire le style et l'époque des peintures avec une certaine marge d'erreur; leur analyse a révélé une trajectoire claire de l'art sur 1000 ans avec des transitions dans le plan complexité-entropie qui correspondent aux périodes canoniques de la littérature d'art.

Spécifiquement, les chercheurs ont pu clairement voir des changements distincts d'entropie et de complexité correspondant aux périodes avant et après l'art moderne, et le passage de l'art moderne à l'art postmoderne. Ils tracent ces transitions sur une chronologie, et rapportent qu'« il n'est pas difficile d'envisager que la transition du Moderne au Postmoderne ait été impulsée par la fin de la Seconde Guerre mondiale, l'événement qui marque généralement le début du postmodernisme dans les livres d'histoire."

Les chercheurs soulignent que parce qu'ils ont restreint leur analyse à ces deux mesures de complexité, il n'est pas possible de saisir pleinement la richesse informationnelle susceptible d'être encodée dans l'art. "Toutefois, " ils écrivent, "nos résultats démontrent néanmoins que de simples métriques inspirées de la physique peuvent être connectées à des concepts proposés par les historiens de l'art et, plus important, que ces mesures contiennent des informations pertinentes sur les œuvres d'art, leur style, et évolution."

© 2018 Tech Xplore