Explorationsräume

Eine Analyse von Bildähnlichkeiten mithilfe künstlicher neuronaler Netze am Beispiel der Malerzuweisung auf attischen Vasen

Explorationsräume

A use case study on the analysis of image similarities using CNNs. The example of painter attribution on Attic vase paintings

by Marta Kipke
Doctoral thesis
Date of Examination:2025-07-15
Date of issue:2025-10-09
Advisor:Prof. Dr. Martin Langner
Referee:Prof. Dr. Martin Langner
Referee:Prof. Dr. Ute Verstegen
Persistent Address: http://dx.doi.org/10.53846/goediss-11553

 

 

Files in this item

Name:MKipke-Explorationsraeume.pdf
Size:13.4Mb
Format:PDF
Description:Zusätzlich ist ein Katalog beigefügt, einmal als PDF mit Layout, einmal als CSV Datei.
Name:MKipke-Explorationsraeume_Katalog.pdf
Size:48.3Mb
Format:PDF
Name:MKipke-Explorationsraeume_Katalog.csv
Size:3.22Mb
Format:OCTET-STREAM

The following license files are associated with this item:

Abstract

English

This dissertation is an in-depth case study on the use of machine learning methods for humanities image classification tasks. The task examined is painter attribution on Attic vase paintings, which is a subject with a long tradition in classical archaeology. It is, however, not the goal of this thesis to create an ‘attribution-machine’ or to replicate the attributions by previous scholars. Instead, it is a juxtaposition of the computational with the traditional approach, addressing image similarity as a category of study in the interdisciplinary field of Digital Humanities. To achieve this, the book is divided into two parts: First, the task needs to be adequately operationalized. A machine learning model has to be trained to conduct painter attribution like a human connoisseur and for this purpose it is necessary to address issues of data compilation, biases, image annotation and experiment design. The second part of the book consists of six case studies, showcasing the epistemic value of the results and their exploration. A theoretical framework accompanies different phenomena of visual similarity between the painters, leading to conclusions on the features learned and on the correlations of different visual phenomena. “Explorationsräume” – roughly translated to “exploration scapes” – is the conceptual approach of feature space exploration with the epistemic value for the humanities domains in mind.
Keywords: Machine Learning; Painter Attribution; Image Classification; Attic Vase Paintings

German

Diese Dissertation ist eine tiefgehende Fallstudie über den Einsatz von Methoden des maschinellen Lernens für Bildklassifizierungsaufgaben in den Geisteswissenschaften. Die konkrete Thematik behandelt die Zuschreibung von Malerhänden auf attischen Vasenbildern, was als Methode mit einer langen Tradition in der klassischen Archäologie einhergeht. Es ist allerdings nicht das Ziel dieser Arbeit, eine „Zuweisungsmaschine” zu schaffen oder die Malerzuweisungen früherer Wissenschaftler zu replizieren. Stattdessen handelt es sich um eine Gegenüberstellung des computergestützten und des traditionellen Vorgehens, wobei die Bildähnlichkeit als zentrale Kategorie hervortritt, insbesondere in der interdisziplinären Schnittstelle der Digital Humanities. Zu diesem Zweck ist das Handbuch in zwei Teile gegliedert: Zunächst wird die Aufgabe operationalisiert. Ein maschinelles Lernmodell muss trainiert werden, um die Zuweisung wie ein menschlicher Kenner durchzuführen. Hierbei müssen Fragen der Datenzusammenstellung, Biases, Bildannotation und Experimentaufbau behandelt werden. Der zweite Teil des Buches besteht aus sechs Fallstudien, die den epistemischen Wert der Ergebnisse und ihrer Erforschung aufzeigen. Ein theoretischer Rahmen begleitet verschiedene Phänomene der visueller Ähnlichkeit zwischen den Malerhänden und führt zu Schlussfolgerungen über die erlernten Merkmale und die Korrelationen verschiedener visueller Phänomene. „Explorationsräume” ist ein konzeptioneller Ansatz zur Merkmalsraumerkundung unter Berücksichtigung des epistemischen Werts für die Geisteswissenschaften.
Schlagwörter: Malerzuweisung; Attische Vasenmalerei; Bildklassifikation; Maschinelles Lernen
 
Statistik