Klasyfikacja stylów aranżacji wnętrz z wykorzystaniem sztucznej inteligencji i głębokiego uczenia

Co sprawia, że określamy wystrój wnętrz jako klasyczny a nie skandynawski? Czy na podstawie danych cech na zdjęciu, jesteśmy w stanie automatycznie klasyfikować architekturalny styl wnętrz? W tym projekcie staramy się odpowiedzieć na powyższe pytania. Dotychczasowe badania z tej dziedziny skupiają się głównie na stylu budowy zewnątrz, jednak wskazują na wiele czynników, które mogą nam pomóc przy automatycznej klasyfikacji zdjęć.

Klasyfikacja stylu wnętrz to trudne zadanie, ponieważ styl jest subiektywną kategorią i różni się w zależności od kultury, historii i indywidualnych preferencji. Jednak istnieją pewne charakterystyczne cechy, które możemy wykorzystać do automatycznej klasyfikacji. Na przykład, styl skandynawski jest kojarzony z jasnymi kolorami, prostymi formami i naturalnymi materiałami, podczas gdy styl klasyczny jest związany z bogatymi ornamentami, złożonymi kształtami i eleganckimi materiałami. W tym projekcie chcemy pokazać, że zaawansowane algorytmy i sztuczna inteligencja mogą pomóc w automatycznej klasyfikacji architekturalnego stylu wnętrz na podstawie danych zdjęciowych.

Do poprawnego wytrenowania sieci neuronowej niezbędne są dobre jakościowo dane, które pozwalają na dokładniejsze rozpoznanie cech charakterystycznych dla danego stylu. Dzięki temu, modele uczenia maszynowego mogą być bardziej skuteczne w rozpoznawaniu stylów na podstawie zdjęć. Aby uzyskać taki zbiór, musieliśmy pobrać (przy użyciu autorskiego oprogramowania), przefiltrować i poklasyfikować zdjęcia. W sumie zebrano około 10 tys. zdjęć

Do stworzenia modelu uczenia maszynowego, wykorzystaliśmy algorytmy sieci neuronowych, które są często stosowane w rozpoznawaniu obrazów. Dzięki ich zastosowaniu, modele mogły automatycznie wykrywać istotne cechy na zdjęciach, takie jak kolory, kształty, proporcje i aranżacja mebli, co pozwala na dokładniejsze rozpoznanie stylu wnętrza.  Przetestowaliśmy różne architektury sieci, aby uzyskać najlepsze wyniki.

W celu trenowania modeli, skorzystaliśmy z uczelnianych maszyn GPU. Dzięki temu mogliśmy przyspieszyć proces uczenia i uzyskać lepsze rezultaty. Przeprowadziliśmy szereg eksperymentów, które zostały udokumentowane. Wynikiem naszych badań jest poster naukowy, który zostanie zaprezentowany na konferencji zajmującej się sztuczną inteligencją.