Published May 10, 2021
| Version v1
Working paper
Open
The Curator's Machine. Clustering von musealen Sammlungsdaten durch Annotieren verdeckter Beziehungsmuster zwischen Kunstwerken.
Description
Die Digitalisierung in Kunstmuseen verspricht einen erweiterten Zugriff auf Sammlungsobjekte sowohl für die Wissenschaft als auch für ein interessiertes Publikum und das bestenfalls online – ortsunabhängig und jederzeit. Dabei reicht es nicht aus, die Suche in Datenbanken auf eng gedachte Stichworte zu limitieren. Vielmehr sollen über spezielle Interfaces und Visualisierungen eine Exploration von digitalen Beständen, sowie ein ‚Schlendern‘ durch die Online-Sammlung möglich gemacht werden. Künstliche Intelligenz kann unterstützen, die Masse an Daten im Museum systematisch und strukturiert aufzubereiten. Durch maschinelles Lernen können Zusammenhänge und Verbindungen zwischen Kunstwerken offenbart werden, die sich Kurator*innen bislang schwer oder nur unvollständig erschließen könnten. Das Working Paper stellt den ersten im Forschungsprojekt Training the Archive entwickelten Prototyp vor, von dem ausgehend, ein maschinengestütztes, exploratives (Wieder-)Entdecken von Verknüpfungen innerhalb musealer Sammlungen untersucht werden soll.
Notes
Training the Archive – Working Paper Series
Files
The_Curator's_Machine_de_TTA_Boenisch.pdf
Files
(13.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:b10c231b15e303c3fa3254a078426bf2
|
13.5 MB | Preview Download |
Additional details
Related works
- Is new version of
- Journal article: 10.11588/dah.2020.5.75953 (DOI)
References
- Arnold, Taylor und Lauren Tilton. 2019. Distant viewing: analyzing large visual corpora. Digital Scholarship in the Humanities 0, Nr. 0 (16. März): 1–14. doi:10.1093/digitalsh/fqz013.
- Bell, Peter und Björn Ommer. 2018. Computer Vision und Kunstgeschichte – Dialog zweier Bildwissenschaften. In: Computing Art Reader: Einführung in die digitale Kunstgeschichte, hg. von Piotr Kuroczyński, Peter Bell und Lisa Dieckmann, 60–75. Computing in Art and Architecture, Band 1. Heidelberg: arthistoricum.net. doi:10.11588/arthistoricum.413.
- Bell, Peter und Björn Ommer. 2016. Visuelle Erschließung. Computer Vision als Arbeits- und Vermittlungstool. In: Konferenzband EVA Berlin 2016. Elektronische Medien & Kunst, Kultur und Historie, hg. von Andreas Bienert, Anko Börner, Eva Emenlauer-Blömers und James Hemsley, 67–73. EVA Berlin, Band 23. Heidelberg: arthistoricum.net. doi:10.11588/arthistoricum.256.338.
- Bertacchini, Enrico und Federico Morando. 2011. The Future of Museums in the Digital Age: New Models of Access and Use of Digital Collections. International Journal of Arts Management 5, Nr. 2 (Januar). https://www.researchgate.net/publication/254455846 (zugegriffen: 21. August 2020).
- Blandfort, Philipp, Tushar Karayil, Federico Raue, Jorn Hees, and Andreas Dengel. 2019. Fusion Strategies for Learning User Embeddings with Neural Networks. arXiv preprint. arXiv:1901.02322v1.
- Broussard, Meredith. 2019. Letting Go of Technochauvinism. Public Books. 17 Juni. https://www.publicbooks.org/letting-go-of-technochauvinism/ (zugegriffen: 27. April 2020).
- Brüggemann, Viktoria, Sarah Kreiseler und Marian Dörk. 2016. Museale Bestände im Web: Eine Untersuchung von acht digitalen Sammlungen. In: Konferenzband EVA Berlin 2016. Elektronische Medien & Kunst, Kultur und Historie, hg. von Andreas Bienert, Anko Börner, Eva Emenlauer-Blömers und James Hemsley, 227–236. EVA Berlin, Band 23. Heidelberg: arthistoricum.net. doi:10.11588/arthistoricum.256.338.
- Chollet, François. 2020. Transfer learning & fine-tuning. Keras. 12. Mai. https://keras.io/guides/transfer_learning/ (zugegriffen: 15. Juli 2020).
- Cornell University. Ohne Jahr. Mnemosyne pathways. Mnemosyne. https://live-warburglibrarycornelledu.pantheonsite.io/about/mnemosyne-pathways/ (zugegriffen: 18. August 2020).
- Dieckmann, Lisa und Martin Warnke. 2018. Meta-Image und die Prinzipien des Digitalen im Mnemosyne-Atlas Aby Warburgs. In: Computing Art Reader: Einführung in die digitale Kunstgeschichte, hg. von Piotr Kuroczyński, Peter Bell und Lisa Dieckmann, 78–93. Computing in Art and Architecture, Band 1. Heidelberg: arthistoricum.net. doi:10.11588/arthistoricum.413.
- Dörk, Marian und Katrin Glinka. 2018. Der Sammlung gerecht werden: Kritisch-generative Methoden zur Konzeption experimenteller Visualisierungen. In: DHd 2018 – Kritik der digitalen Vernunft, hg. von Georg Vogeler, 162–166. Konferenzabstracts. Köln: DHd. http://dhd2018.uni-koeln.de/wp-content/uploads/boa-DHd2018-web-ISBN.pdf (zugegriffen: 21. August 2020).
- Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung. 2018. Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung. München: Fraunhofer-Gesellschaft. https://www.bigdata.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf (zugegriffen: 01. September 2020).
- Gatys, Leon A., Alexander S. Ecker und Matthias, Bethge. 2015. A Neural Algorithm of Artistic Style. arXiv preprint. arXiv:1508.06576v2.
- Glinka, Katrin und Marian Dörk. 2018. Zwischen Repräsentation und Rezeption – Visualisierung als Facette von Analyse und Argumentation in der Kunstgeschichte. In: Computing Art Reader: Einführung in die digitale Kunstgeschichte, hg. von Piotr Kuroczyński, Peter Bell und Lisa Dieckmann, 234–250. Computing in Art and Architecture, Band 1. Heidelberg: arthistoricum.net. doi:10.11588/arthistoricum.413.
- Großwendt, Anna, Heiko Röglin und Melanie Schmidt. 2019. Analysis of Ward's Method. arXiv preprint. arXiv:1907.05094v1.
- Haus der Kulturen der Welt (HKW). 2020a. Das Original. Aby Warburg: Bilderatlas Mnemosyne. https://www.hkw.de/de/programm/projekte/2020/aby_warburg/bilderatlas_mnemosyne_start.php (zugegriffen: 18. August 2020).
- Haus der Kulturen der Welt (HKW). 2020b. Publikation. Aby Warburg: Bilderatlas Mnemosyne. https://www.hkw.de/de/programm/projekte/2020/aby_warburg/publikation_aby_warburg_bilderatlas_mnemosyne/detail.php (zugegriffen: 18. August 2020).
- Jaadi, Zakaria. 2020. A Step by Step Explanation of Principal Component Analysis. builtin. 5. August. https://builtin.com/data-science/step-step-explanation-principal-component-analysis (zugegriffen: 08. Oktober 2020).
- Johnson, Christopher D. Ohne Jahr. About the Mnemosyne Atlas. Mnemosyne. https://live-warburglibrarycornelledu.pantheonsite.io/about (zugegriffen: 18. August 2020).
- Jung, Klaus. 2016. Semantische Segmentierung mit Hilfe neuronaler Netzwerke zur effizienten Verarbeitung digitalisierter Dokumente. In: Konferenzband EVA Berlin 2016. Elektronische Medien & Kunst, Kultur und Historie, hg. von Andreas Bienert, Anko Börner, Eva Emenlauer-Blömers und James Hemsley, 54–61. EVA Berlin, Band 23. Heidelberg: arthistoricum.net. doi:10.11588/arthistoricum.256.338.
- Kolesnikov, Alexander, Lucas Beyer, Xiaohua Zhai, Joan Puigcerver, Jessica Yung, Sylvain Gelly und Neil Houlsby. 2020. Big Transfer (BiT): General Visual Representation Learning. arXiv preprint. arXiv:1912.11370v3.
- Kosfeld, Reinhold. Ohne Jahr. Hierarchische Klassifikationsverfahren. Lehrmaterial. https://www.uni-kassel.de/fb07/fileadmin/datas/fb07/5-Institute/IVWL/Kosfeld/lehre/multivariate/Multivariate12_Clusteranalyse2_.pdf (zugegriffen: 16. Juli 2020).
- Moindrot, Olivier. 2018. Triplet Loss and Online Triplet Mining in TensorFlow. Olivier Moindrot blog. 19. März. https://omoindrot.github.io/triplet-loss (zugegriffen: 17. Juli 2020).
- Network of European Museum Organisations. 2020. Final report. Digitization and IPR in European Museums. Berlin: Network of European Museum Working Group on Digitalisation and Intellectual Property Rights. https://www.ne-mo.org/fileadmin/Dateien/public/Publications/NEMO_Final_Report_Digitisation_and_IPR_in_European_Museums_ WG_07.2020.pdf (zugegriffen: 20. August 2020).
- Prabhakaran, Selva. 2018. Cosine Similarity – Understanding the math and how it works (with python codes). ML+. 22. Oktober. https://www.machinelearningplus.com/nlp/cosine-similarity/ (zugegriffen: 22. Juli 2020).
- Riedl, Stefan. 2017. Was ist ein Proof of Concept? IT-Business. 2. Januar. https://www.it-business.de/was-ist-ein-proofof-concept-a-666615/ (zugegriffen: 27. April 2020).
- Rosebrock, Adrian. 2016. ImageNet classification with Python and Keras. Pyimagesearch. 10. August. https://www.pyimagesearch.com/2016/08/10/imagenet-classification-with-python-and-keras/ (zugegriffen: 15. Juli 2020).
- Schroff, Florian, Dmitry Kalenichenko und James Philbin. 2015. FaceNet: A Unified Embedding for Face Recognition and Clustering. arXiv preprint. arXiv:1503.03832v3.
- Seguin, Benoît, Carlotta Striolo, Isabella diLenardo und Frederic Kaplan. 2016. Visual Link Retrieval in a Database of Paintings. In: ECCV 2016 Workshops, hg. von G. Hua und H. Jégou, 753–767. LNCS 9913, Basel: Springer International Publishing. doi:10.1007/978-3-319-46604-0_52.
- Shalizi, Cosma. 2009. Distances between Clustering, Hierarchical Clustering. Lecture: Data Mining. https://www.stat.cmu.edu/~cshalizi/350/lectures/08/lecture-08.pdf (zugegriffen: 16. Juli 2020).
- Stein, Petra und Sven Vollnhals. 2011. Grundlagen clusteranalytischer Verfahren. Lehrmaterial. https://www.unidue.de/imperia/md/content/soziologie/stein/skript_clusteranlyse_sose2011.pdf (zugegriffen: 16. Juli 2020).
- Tiedemann, Michaela. 2018a. So funktioniert Unsupervised Machine Learning. [at]. 22. Mai. https://www.alexanderthamm.com/de/blog/erklaert-so-funktioniert-unsupervised-machine-learning/ (zugegriffen: 27. April 2020).
- Tiedemann, Michaela. 2018b. Supervised Machine Learning – So funktioniert "Überwachtes Maschinelles Lernen". [at]. 16. Mai. https://www.alexanderthamm.com/de/blog/supervised-machine-learning/ (zugegriffen: 27. April 2020).
- Venkatesh, Mothi. 2018. What is Human-in-the-Loop for Machine Learning? Hackernoon. 17. Juli. https://hackernoon.com/what-is-human-in-the-loop-for-machine-learning-2c2152b6dfbb (zugegriffen: 27. April 2020).
- Whitelaw, Mitchell. 2015. Generous interfaces for digital cultural collections. In: digital humanities quarterly 9, Nr. 1. http://www.digitalhumanities.org/dhq/vol/9/1/000205/000205.html (zugegriffen: 19. August 2020).