摘要

大量艺术数据分散存在于博物馆和艺术应用平台的在线资源中。针对这些数据及其所有相关属性进行收集、处理与研究，是一项成本高昂的过程。为加速并提升艺术领域分类分析的效率与质量，本文提出一种高效且准确的多任务学习方法，该方法基于共享表征，专为艺术领域设计。我们进一步展示了该方法在不同多任务配置下对艺术数据的表现，结果表明其性能优于手工设计特征方法以及卷积神经网络。除提出的方法与分析外，我们还针对一个包含近五十万样本、结构化元数据的新聚合数据集，设立了一项具有挑战性的研究任务，旨在推动后续研究进展，并促进社会各界的广泛参与。