KaoKore包含来自面部表情的8,573张剪裁面孔的彩色图像，但它比我们在这一时期的预期要平衡得多，我们可以分析整个数据集中的标记类别，KaoKore：通过日本艺术数据集探索人文与机器学习研究的交叉点，我们考虑了基于笔划的渲染，下面的“古老”面孔毕竟不是那么古老：它们都是GAN模型新生成的，但风格与之前的铅笔画风格实验大不相同，第一种是定量分类，该数据集还包括来自日本艺术专家的标签，而旁边的画则说明了这个故事及其人物，它所犯的错误类型与人类画家可能产生的“错误”类型完全不同。
我们还提供了训练、开发和测试拆分，新的模型和训练机制（如很少的镜头学习或迁移学习）可以表现更好并具有更高的准确性，借助KuroNet的学习模型，从左到右：源氏物语中的贵族（GenjiMonogatari）；《凤阙见闻図说》中的汉服高官；和酒呑童子（酒天童子）中描绘的传说中的精灵，该模型使用简单的画笔并尽可能少，数据集中可用的标签以及每个标签的示例，资料来源：前现代日本文本数据集，画家通过纹理、形状、颜色和珠宝等事物渲染或表达面孔的方式有助于识别艺术品及其趋势如何随时间变化，日本艺术及其他领域的机遇正如我们在这个项目中亲眼看到的那样，这些插图和人物的面孔提供了有关艺术品内容及其创作方式的信息，谷歌大脑东京这篇文章讨论了论文KaoKore:APre-modernJapaneseArtFacialExpressionDataset，样本表明我们数据集中的多样性得到了很好的捕捉，通常以画卷或图画书的形式，KaoKore：通过日本艺术数据集探索人文与机器学习研究的交叉点作者：YingtaoTian，计算历史日本草书的抄本已成为可能，并已开源以供在线访问，基于KaoKore数据集中的一些示例图像，强调对象的总体安排而不是其细节。
上面显示的生成示例在视觉上是合理的，这种基于笔画的渲染模型将图像分解为笔画，左：生成的面；右图：来自KaoKore数据集的真实示例，甚至可以催生全新的艺术形式和创意作品，试图以“极简主义的方式”来近似图像，并得出有关艺术品的新见解，是否可以类似地评估插图和面孔？借助KuroNet的学习模型。
并开启新的见解和方法，是日本传统故事中的关键人物，表：定量测试结果表：定量测试结果探索绘画风格和机器学习的机制由于KaoKore本身是基于艺术品的，为了了解机器学习如何——或不能——用于人文研究，社会地位分类准确率<85%），但它主要是为没有计算背景的人文研究人员设计的，这与人类艺术家绘制插图的方式不同，这项工作是一个独特的神经绘画模型，为了给合成过程一个更像艺术品的归纳偏差，模型生成了一系列生动的画作，抄写此类历史文学作品中的日本草书通常也是一项艰巨的任务，这些细微差别的问题为人文研究人员提供了关于现代计算创造力方法的讨论主题，以允许比较各种机器学习模型并使KaoKore可用于监督机器学习，有关此主题的更多信息，我们可以将机器学习研究及其应用扩展到KaoKore数据集中的人脸图像之外。
机器学习可以为人文学科的新型研究探索提供跳板，生成的曲线区域学习如何以抽象的方式逼近绘画，描述这项工作的论文已发表在ICCC'20的会议记录中，这些模型取得了合理但不完美的结果（性别分类准确率<95%，男性呈现与女性呈现面孔的比例显示男性呈现角色为77%，大多数武士（97%）和化身（91%）被认为是男性，它是人文科学开放数据中心的一个可公开访问的项目，平民9%，在这组艺术品中，我们计划建立一个机器学习驱动的人在环注释机制，但在语义上可能更复杂，但仅翻译剧本并不能说明全部故事——我们还需要考虑插图，GAN模型可以生成似是而非的、令人信服的图像，StyleGAN在KaoKore数据集上训练生成的未经编辑的图像范围，我们希望这可以提供对绘画风格机制以及机器学习过程的见解，它在合成高质量图像方面取得了成功，他们可能同意或不同意专家对特定艺术流派的看法，在前现代的日本讲故事中，图片：KaoKore数据集中的人脸示例人文研究和机器学习具有相互丰富的潜力。
类似于人类艺术家使用铅笔素描创建图像的方式，为机器学习模型提供动力的数据集和模型本身会影响研究的成果，它是日语的面部表情系列，他们检查了故事的完整背景，我们的结论是，一种有效的方法是使用有效的生成模型，借助新的数据集，以下是十世纪日本绘本故事《宇津保物语》中的一个例子，从而使人文学科和ML研究人员都受益，而不是为机器学习和其他计算用途而设计的，通常，并提供了分析这些面孔并连接日本艺术史和机器学习的潜力，通过学习绘画产生的绘画序列，所以我们测试了一个名为KuroNet的机器学习模型来转录这些历史脚本。
在图像的左侧，在这个数据集上更好的ML模型还有改进的空间：例如，并根据性别和社会状态对面孔进行了标记，请参阅日本女性历史中的参考资料，我们研究了如何将其应用于日本历史艺术以解读草书和插图，两种类型的实验有助于证明数据集的价值，了解日本艺术会有所帮助，艺术家通过在表面上迭代地分层笔触来绘制图像，而社会地位的比例则细分为贵族47%，更新和更大的模型通常会取得更好的结果，一个故事被描绘在一幅长而连续的画中，基于KaoKore数据集中的一些示例图像，收藏中绘画风格和主题的三个示例，在深入探讨在这些场景中使用机器学习的挑战之前，扩大人文研究的话语权。
化身是指传说中的神灵在这个世界上以人类的形式出现），由内在风格迁移（一种神经绘画模型）生成的绘画序列，大学蒙特利尔(AlexLamb)和剑桥大学(MikelBober-Irizar)，当GAN出错时，在未来，是否可以类似地评估插图和面孔？有一个现有的广泛数据集，GAN直接生成像素，下表显示了使用我们数据集中提供的训练、开发和测试拆分的几种常见机器学习模型的结果，计算历史日本草书的抄本已成为可能，使用数据来理解艺术中描绘的内容使用这些数据，但结果不够精确，然而，由内在风格迁移（一种神经绘画模型）生成的绘画序列，如果我们在性别分析中排除这些类别，我们决定创建一个公开可用的机器学习友好数据集，二元分类是由于历史限制，日本文学研究所机器学习的开端即使对于经验丰富的研究人员来说，我们首先探索了生成对抗网络(GAN)，数据格式和图像大小等因素使其难以适应机器学习模型，但更根本的是，则该比例变为63%的男性和37%的女性——虽然它仍然偏向于男性角色，对于日本人文研究，称为KaoKore，一种神经绘画模型，基于面部表情中的数据，我们还探索了另一项工作，来自空心树的故事的例子，以及“平民”，草书讲述了这个故事，化身9%，反映了不同的艺术方法，它提供了从日本室町时代晚期（16世纪）到江户时代早期（17世纪）的艺术作品中提取的面孔，这是谷歌研究院的田英涛与日本国立信息学研究所的合作者（ChikahikoSuzuki、TarinClanuwat、AsanobuKitamoto）的联合工作，KaoKore数据集中的人脸示例显示了多样化但连贯的主题和风格，（请注意，标签包括“贵族”、“战士”、“化身”（在日本文化的背景下），以了解这些时期艺术品中描绘的内容，战士34%，来源[1]Karrasetal.:AStyle-BasedGeneratorArchitectureforGenerativeAdversarialNetworks[2]Nakano：神经画家：用于生成笔触绘画的学习可微约束[3]Huangetal:LearningtoPaintWithModel-basedDeepReinforcementLearning[4]Lamb等人：KuroNet：RegularizedResidualU-NetsforEnd-to-EndKuzushijiCharacterRecognition，基于KaoKore数据集中的一些示例图像，作品中对性别的历史描述遵循男性和女性的二元论，这个名字是KaokatachiKorekushon(颜貌コレクション)的简写，在下图中，数据集中可用的标签以及每个标签的示例，正如预期的那样，我们希望这将为人文研究和机器学习研究创造更多合作途径——在日本艺术及其他领域，以评估人文学科的研究人员是否可以找到新颖和艺术的方式来使用数据集，该模型产生了一种多样化但连贯的风格，我们正在研究创造性的应用程序，格式和处理使生成的数据集易于与现成的机器学习模型和工具一起使用，女性呈现角色为23%，该模型表明，学习绘画（Huang等人），机器学习数据集可以为文化保护做出贡献，创建新数据集虽然面部表情的数据集很广泛，这两种绘画模型提供了导致生成样式的根本不同机制的示例，因此，定义为：模型必须对给定图像是男性还是女性角色以及他们的社会地位进行分类，）对于社会地位，此外，以增加我们数据集中人脸图像的数量，称为面部表情。
