Egraphsen - Möglichkeiten und Perspektiven der digitalen Malerzuweisung

Die Frage nach den Produzenten der bemalten griechischen Vasen beschäftigt die archäologische Forschung schon seit gut 150 Jahren. Die digitale Analyse von attischen Vasen bietet nun die Möglichkeit, umstrittene Arbeitsweisen der Klassischen Archäologie, die bislang auf dem fachkundigen Auge von Kennern basierten, zu überprüfen. Denn nicht isolierte Kriterien, sondern charakteristische Merkmalskombinationen objektivieren die Malerzuweisung, die computergestützt sehr viel leichter und umfassender zusammengestellt und gewichtet werden können. Daher soll in diesem Projekt in Kooperation mit der Universität Göttingen die Zuweisung der Vasen an Maler, Werkstätten und Gruppierungen nicht mehr exemplarisch und intuitiv, sondern auf breiter Grundlage datengestützt erfolgen. Es soll untersucht werden, wie sich die Zuschreibungskriterien systematisieren, ihre Aussagekraft evaluieren und die Bedeutung der Ähnlichkeitsnetzwerke durch genaues Benennen von Kriterien und Argumenten historisch gewichten lässt.

Die attische Vasenmalerei war von etwa 600 bis 300 v. Chr. bedeutend, wobei der Vielfalt an Motiven und Stilen kaum Grenzen gesetzt waren. Nur selten haben die Vasenproduzenten jedoch ihre Werke mit egraphsen(=hat gemalt) oder epoiesen(=hat gemacht) signiert, so dass die Zuordnung zu Malern und Töpfern nicht direkt aus eigenhändigen Signaturen hervorgeht. Wir möchten eine datengetriebene Stilometrie für attische Vasen entwickeln, die auf multimodalen Darstellungen als Bilder (Vasenbilder) und 2D-Keramikprofilen (Keramik) basiert.

In einem ersten Schritt wird eine Auswahl von Vasenbildern von menschlichen Ex- perten annotiert, um Figuren, Gegenstände und Ornamente zu markieren. Basierend auf diesen Annotationen wird ein tiefes Convolutional Neural Network trainiert. In einem zweiten Schritt werden Architekturen für tiefe Convolutional Neural Networks untersucht, die vorhersagen können, ob zwei Vasenbilder von menschlichen Experten demselben Maler zugeordnet wurden.

Aus Sicht des maschinellen Lernens ist ein überwachtes Clustering / Record Link- age Problem für Bilder zu lösen. Wir werden speziell Modelle untersuchen, die es durch semantische Darstellungen ermöglichen, verständliche Erklärungen für die Entscheidungen des Modells zu liefern. Ähnliche Fragen nach der Töpferzuordnung, aber auch weitergehende Fragen nach typischen Kooperationsszenarien zwischen Malern und Töpfern können durch die Untersuchung von Erklärungen und Ausreißern beantwortet werden.

Partner:
Institut für Digital Humanities - Georg-August-Universität Göttingen

Contact:
Prof. Schmidt-Thieme
Lukas Brinkmeyer