<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Warden Ship: interaktivni vmesnik za raziskovanje umetniških arhivov s semantičnim iskanjem in hkratno klasifikacijo sloga, žanra in avtorja</dc:title><dc:creator>Breskvar,	Matej	(Avtor)
	</dc:creator><dc:creator>Bovcon,	Narvika	(Mentor)
	</dc:creator><dc:creator>Meden,	Blaž	(Komentor)
	</dc:creator><dc:subject>Semantično iskanje slik</dc:subject><dc:subject>CLIP</dc:subject><dc:subject>hkratna klasifikacija</dc:subject><dc:subject>doučitev modelov</dc:subject><dc:subject>računalniška analiza umetnosti</dc:subject><dc:subject>interaktivna vizualizacija</dc:subject><dc:description>Digitalizirane umetniške zbirke so prerasle zmožnosti klasičnega iskanja po metapodatkih, splet pa hkrati preplavljajo strojno generirane podobe. V delu predstavimo Warden Ship, interaktivno aplikacijo za raziskovanje umetnostnozgodovinske zbirke s pomočjo umetne inteligence. Diplomsko delo je dvodelno: prvi del je interaktivni grafični vmesnik, drugi pa zaledje z modeli strojnega učenja. Šest enakovrednih funkcionalnosti – semantično iskanje, klasifikacijo sloga, žanra in avtorja, karti ustvarjalnosti in vplivov, zemljevid zgodovine umetnosti ter filtre po vizualnih lastnostih – aplikacija upodobi kot prizore iz skupnega pomorskega sveta, povezane z animiranimi prehodi. Čelni del je izdelan z ogrodjema React in React Three Fiber, zaledje s Flaskom ter zbirko MongoDB z GridFS. Jedro sestavljajo model CLIP za besedilno-slikovno iskanje, doučeni slikovni transformer za hkratno napovedovanje sloga, žanra in avtorja ter štirje kanali klasičnega računalniškega vida za filtriranje po vizualnih lastnostih. Modele ovrednotimo na izločeni testni množici 12.680 slik: doučena različica ViT-L/336 doseže točnost 77,0 % pri slogu (27 razredov), 86,3 % pri žanru in 97,3 % pri avtorju, CLIP brez doučitve pa na istih razredih le 25,8 %, 57,7 % in 56,0 %. Tri komponente nato prilagodimo umetniški domeni oziroma jih na novo naučimo. Kontrastno doučeni CLIP izboljša točnost pri prepoznavanju sloga na 55,3 % in žanra na 79,8 %, metrična vložitev ArcFace pa poveča natančnost@1 pri slogu z 41,6 % na 61,0 %. Nova regresijska glava nad vložitvami CLIP letnico nastanka dela oceni s povprečno absolutno napako 31 let v primerjavi z naivno osnovo 73 let. Testne točnosti se tesno ujemajo z validacijskimi, kar potrjuje dobro posploševanje, rezultati pa presegajo zastavljene cilje.</dc:description><dc:date>2026</dc:date><dc:date>2026-09-11 14:35:12</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>187592</dc:identifier><dc:identifier>VisID: 38767</dc:identifier><dc:identifier>COBISS_ID: 304203267</dc:identifier><dc:language>sl</dc:language></metadata>
