C. Förderung des wissenschaftlichen Nachwuchses

erstere effiziente Methoden zur Datenauswertung liefert. Exemplarisch zeigt sich
diese Zusammenarbeit im WIN-Projekt. Das Hauptziel besteht dabei in der Er-
schließung von großen heterogenen Bilddatenbanken mit kulturellem Erbe. Erste
methodische Überlegungen und verschiedene technische Prototypen resultierten
aus der Zusammenarbeit.
Die erste Phase des Projekts (2013-2015) konzentrierte sich auf die Beantwor-
tung grundlegender Fragen des Bildverstehens in kunsthistorischen Datensätzen
sowie unterschiedlichen Ansätzen des maschinellen Lernens und automatischen
Sehens. Basierend auf festgelegten Objekten konnten Bildzusammenhänge er-
kannt und visuelle Ähnlichkeiten berechnet werden. Dies wurde mit Hilfe einer
webbasierten Testumgebung erreicht, die die Auswertung und Analyse von Bild-
datensätzen erlaubt. Auf verschiedenen Tagungen und Konferenzen wurden die
Ergebnisse einer breiten Öffentlichkeit präsentiert. In der zweiten Phase (ab 2016)
widmet sich das Projekt vor allem dem Verstehen ganzer Szenen, Kompositionen,
Gattungen und Stile. Dabei verlagerte sich der Fokus von der Objekterkennung
auf die Analyse von ganzen Bildern. Um zukünftig semantische Aussagen treffen
zu können, muss sich die automatische Bildanalyse verschiedenen Ähnlichkeitsdi-
mensionen zuwenden. Auch das Training mit Bildgruppen und kleineren Daten-
sätzen stand im Vordergrund der zweiten Phase und so wurden schließlich neue
Bildersammlungen ausgewertet, Methoden der Computer Vision weiter themati-
siert und Möglichkeiten der Testumgebung und Ergebnisse publiziert.
Die erfolgreiche Auswertung von großen Bildersammlungen und die damit
verbundene Erkennung von Bildzusammenhängen ermutigte zu weiteren Tests.
Zu den neuen Datensätzen, die in der zweiten Phase verstärkt evaluiert wurden,
zählten Grafiken zu Landschaften mit Staffage (British Library), antike Sarkopha-
ge (prometheus, UB Heidelberg) und Bilder zum Thema Armut und Fremdheit
(SFB 600, Universität Trier). Vor allem die beiden letztgenannten Sammlungen
stellten eine Herausforderung dar: Erstere, da multiple Abbildungen auf einer Re-
produktionsseite und der schlechte Erhaltungszustand der antiken Sarkophage ei-
ne Auswertung erschwerten. Dagegen zeigte sich der Algorithmus aber invariabel
und kam zu sehr zufriedenstellenden Ergebnissen (Abb. 1). Der Datensatz zum
Thema Armut und Fremdheit verlangte hingegen eine Analyse, die sich von einer
formalen, objektbasierten Analyse wegbewegte. Das automatische Bildverstehen
forderte eine ganzheitliche, semantische Erschließung des Bildinhalts. Damit hatte
sich das Projekt auch thematisch eingegrenzten Bildgruppen zugewendet; die po-
sitiven Ergebnisse ermutigten zu Tests an noch kleineren Datensätzen.
Im Herbst 2016 veröffentlichte das New Yorker Museum of Modem Art Instal-
lationsansichten (Zeitraum 1929-1989) und andere relevante Dokumente (z. B.
Ausstellungskataloge, Ausstellungslisten). Dies ermöglichte (1) die Evaluation von
Ausstellungszusammenhängen und (2) eine automatische Auswertung der Instal-
lationsansichten (Abb. 2). Das Ziel der (1) Aufgabe ist eine experimentelle An-

226