C. Förderung des wissenschaftlichen Nachwuchses


Abb. 2: Zu sehen sind drei Installationsansichten aus verschiedenen MoMA-Ausstellungen mit Arbeiten von
Giorgio de Chirico (v. 1. de Chirico 1955, Fantastic Art. 1937, de Chirico 1982). Im Herbst 2016 veröffentlich-
te das Museum eine umfassende Sammlung von Installationsansichten und anderen Ausstellungsdokumenten.

kus. Das Projekt wendet sich damit vom bloßen Kunstwerk ab und untersucht
Bildgruppen mit gemeinsamen Bedingungen.
Ein weiteres abweichendes Verfahren zur Auswertung von Bilddaten wurde in
der zweiten Phase angegangen, das allerdings auf Vorüberlegungen zum bestehen-
den Webinterface basierte. Als Grundlage diente die rnzNurt-Datenbank, die eine
umfassende heterogene Sammlung zur Verfügung stellt. Anstatt einzelner Objekte
standen Gemeinsamkeiten von Bildern, wie Gattungen, Stil, Komposition, Tech-
nik oder Ikonographie, im Vordergrund. Aufgrund dieser Ahnlichkeitsdimensio-
nen sollten Bilder und einzelne Regionen sortiert, visualisiert und in Beziehung
zueinander gesetzt werden. Nicht nur Ähnlichkeiten, auch deviante Verhalten zwi-
schen Kunstwerken wurden so deutlich. State-of-the-art-Methoden der Computer
Vision, wie der Einsatz von sog. Convolutional Neural Networks (CNNs), wurden
an den neuen Bilddaten erprobt. Dies führte zu einer noch präziseren Bildanalyse
und neuen kunsthistorischen Erkenntnissen.
Zukünftig sollen auch Bewegtbilder, Posen und Beziehungen zwischen Ob-
jekt und einzelnen Teilen (wie sie zum Beispiel in Skulpturen vorkommen) unter-
sucht werden. Als Grundlage hierfür dienen Tests, die auf einer Bildersammlung
zu olympischen Sportarten durchgeführt wurden. CNNs wurden zum automati-
schen, unüberwachten Auffmden von visuellen Ähnlichkeiten eingesetzt, so dass
zueinander besonders ähnliche Gruppen gebildet werden konnten. Der Ansatz lie-
ferte besonders überzeugende Ergebnisse und empfiehlt sich so einer Anwendung
auf kunsthistorische Datensätze.1
Im Rahmen der dritten Tagung des Verbands „Digital Humanities im deutsch-
sprachigen Raum e.V“ (Universität Leipzig, März 2016) wurde gemeinsam mit
Lisa Dieckmann über „Die Kunst als Ganzes. Heterogene Bilddatensätze als He-
rausforderung für Kunstgeschichte und Computer Vision“ referiert. Vom 12. bis
14. Oktober 2016 fand eine Tagung des prometheus-Bildarchivs statt; unter dem

1 Bautista, Sanakoyeu, Sutter, Ommer: CliqueCNN: Deep Unsupervised Exemplar Learning
(NIPS, 2016).

228