Chinese Calligraphy

Wen, Yuanbo; Sigüenza, Juan A.

doi:10.1145/3373509.3373512

Cited by 5 publications

(2 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Li [ 15 ] used CNN to recognize different traditional Chinese calligraphy styles and achieved a test accuracy of 88.6%. Wen and Sigüenza [ 16 ] proposed a CNN-based method for Chinese calligraphy style recognition based on a full-page document. Wang et al [ 17 ] proposed an automatic evaluation approach for Chinese calligraphy based on disk B-spline curve (DBSC) vectorization of characters, iterative closest point (ICP) registration between handwritten and standard character skeletons, and comprehensive shape similarity metrics calculated on both the global character and individual strokes.…”

Section: Related Workmentioning

confidence: 99%

A Novel CNN Model for Classification of Chinese Historical Calligraphy Styles in Regular Script Font

Huang,

Li,

Agustin

et al. 2023

Sensors

View full text Add to dashboard Cite

Chinese calligraphy, revered globally for its therapeutic and mindfulness benefits, encompasses styles such as regular (Kai Shu), running (Xing Shu), official (Li Shu), and cursive (Cao Shu) scripts. Beginners often start with the regular script, advancing to more intricate styles like cursive. Each style, marked by unique historical calligraphy contributions, requires learners to discern distinct nuances. The integration of AI in calligraphy analysis, collection, recognition, and classification is pivotal. This study introduces an innovative convolutional neural network (CNN) architecture, pioneering the application of CNN in the classification of Chinese calligraphy. Focusing on the four principal calligraphy styles from the Tang dynasty (690–907 A.D.), this research spotlights the era when the traditional regular script font (Kai Shu) was refined. A comprehensive dataset of 8282 samples from these calligraphers, representing the zenith of regular style, was compiled for CNN training and testing. The model distinguishes personal styles for classification, showing superior performance over existing networks. Achieving 89.5–96.2% accuracy in calligraphy classification, our approach underscores the significance of CNN in the categorization of both font and artistic styles. This research paves the way for advanced studies in Chinese calligraphy and its cultural implications.

show abstract

Section: Related Workmentioning

confidence: 99%

A Novel CNN Model for Classification of Chinese Historical Calligraphy Styles in Regular Script Font

Huang,

Li,

Agustin

et al. 2023

Sensors

View full text Add to dashboard Cite

show abstract

“…Görüntüler üzerinde fourier dönüşümü kullanarak elde ettiği sonuçları öklid metriği ile değerlendirip birbirlerine olan yakınlıkları üzerinden sınıflandırma yapmıştır. Diğer teknikte sınıflandırma için yapay sinir ağlarını kullanılmıştır (Wen 2019).…”

Section: Literatürdeki çAlışmalarunclassified

Hat Sanati Eserleri̇ni̇n Yapay Zeka Algori̇tmalari İle Anali̇zi̇

Zeynep GÜRER,

GÖKBAY

2023

SOBIDER

View full text Add to dashboard Cite

Arap yazısına bağlı olarak doğan güzel yazma sanatı Hat Sanatı Türk-İslam sanatı ve medeniyeti hakkında birçok bilgi içermektedir. Bu eserlerdeki mesajların anlaşılması yerli halkın kendi tarihini anlaması açısından önemlidir. Bunun yanında turistlerin yoğun ilgi gösterdiği tarihi mekanlar da bu eserler ile donatılmıştır. Bu eserlerdeki yazılar ile gezilen mekanların önemi bilgileri daha iyi anlaşılacaktır. Son zamanlarda yapıların özellikle camilerin girişlerinde yapı içerisindeki hat eserlerinin anlamlarının yazılı olduğu levhaların yerleştirilmeye başlanması bu eserlerin anlaşılmaya olan ihtiyacını göstermektedir. Türkiye'de ve Dünya'daki milyonlarca eserin anlamlandırılması manuel bir işlemle çok zordur. Bu sebeple bu işlemin otomatikleştirilmesi adına bu çalışmada başlangıç adımı atılmıştır. Hat metinlerinin karmaşık görüntüden yazıya çevrilmesindeki aşamalardan olan yazıların stillerinin belirlenmesi ve yazıdaki harflerin tanınması problemleri Yapay Zeka algoritmaları ile incelenmiştir.

show abstract