会员服务
Processing（编程语言） · ONCE · INFORMS · Python · 人机交互 ·
2021 年 1 月 27 日
From pixels to notes: a computational implementation of synaesthesia for cultural artefacts
翻译：从像素到音符:计算对文物进行麻醉
Dimitris Kritikos,Kostas Karpouzis
Dimitris Kritikos,Kostas Karpouzis
from arxiv, AVI2CH 2020: Workshop on Advanced Visual Interfaces and Interactions in Cultural Heritage, Ischia, Italy - Sept 28-October 2, 2020

Synaesthesia is a condition that enables people to sense information in the form of several senses at once. This work describes a Python implementation of a simulation of synaesthesia between listening to music and viewing a painting. Based on Scriabin's definition, we developed a deterministic process to produce a melody after processing a painting, mimicking the production of notes from colours in the field of view of persons experiencing synaesthesia.


翻译：合成麻醉是一种使人们能够同时以多种感官的形式感知信息的条件。 这项工作描述了在听音乐和观赏绘画之间模拟神经麻醉的Python演化过程。 根据Scriabin的定义,我们开发了一种确定过程,在处理一幅绘画后制作旋律,模仿从受妇科麻醉的人的视野中以颜色制作笔记。
0
下载
关闭预览

相关内容

Processing 是一门开源编程语言和与之配套的集成开发环境（IDE）的名称。Processing 在电子艺术和视觉设计社区被用来教授编程基础，并运用于大量的新媒体和互动艺术作品中。
NLP必读经典文献100篇
专知会员服务
123+阅读 · 2020年9月8日
因果图，Causal Graphs，52页ppt
因果图，Causal Graphs，52页ppt
专知会员服务
238+阅读 · 2020年4月19日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
92+阅读 · 2020年3月12日
MIT-深度学习Deep Learning State of the Art in 2020，87页ppt
MIT-深度学习Deep Learning State of the Art in 2020，87页ppt
专知会员服务
61+阅读 · 2020年2月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
53+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
168+阅读 · 2019年10月11日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
26+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | COLT 2019等国际会议信息9条
人工智能 | COLT 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年9月21日
人工智能类 | 国际会议/SCI期刊专刊信息9条
人工智能类 | 国际会议/SCI期刊专刊信息9条
Call4Papers
4+阅读 · 2018年7月10日
笔记 | Sentiment Analysis
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
计算机视觉近一年进展综述
计算机视觉近一年进展综述
机器学习研究会
8+阅读 · 2017年11月25日
【推荐】(Keras)LSTM多元时序预测教程
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Breathing $K$-Means
Arxiv
0+阅读 · 2021年3月22日
Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data
Arxiv
0+阅读 · 2021年3月19日
Data driven algorithms for limited labeled data learning
Arxiv
0+阅读 · 2021年3月18日
Workflow Techniques for the Robust Use of Bayes Factors
Arxiv
0+阅读 · 2021年3月18日
Products of Euclidean metrics and applications to proximity questions among curves
Arxiv
3+阅读 · 2020年4月13日
A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
Arxiv
6+阅读 · 2019年10月21日
The Effect of Network Width on Stochastic Gradient Descent and Generalization: an Empirical Study
The Effect of Network Width on Stochastic Gradient Descent and Generalization: an Empirical Study
Arxiv
4+阅读 · 2019年5月9日
On the Implicit Assumptions of GANs
Arxiv
6+阅读 · 2018年11月29日
High Performance Software in Multidimensional Reduction Methods for Image Processing with Application to Ancient Manuscripts
High Performance Software in Multidimensional Reduction Methods for Image Processing with Application to Ancient Manuscripts
Arxiv
4+阅读 · 2018年7月18日
Implementing the Deep Q-Network
Arxiv
3+阅读 · 2017年11月20日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
Processing（编程语言）
ONCE
INFORMS
Python
人机交互
相关VIP内容
NLP必读经典文献100篇
专知会员服务
123+阅读 · 2020年9月8日
因果图，Causal Graphs，52页ppt
因果图，Causal Graphs，52页ppt
专知会员服务
238+阅读 · 2020年4月19日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
92+阅读 · 2020年3月12日
MIT-深度学习Deep Learning State of the Art in 2020，87页ppt
MIT-深度学习Deep Learning State of the Art in 2020，87页ppt
专知会员服务
61+阅读 · 2020年2月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
53+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
168+阅读 · 2019年10月11日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
26+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | COLT 2019等国际会议信息9条
人工智能 | COLT 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年9月21日
人工智能类 | 国际会议/SCI期刊专刊信息9条
人工智能类 | 国际会议/SCI期刊专刊信息9条
Call4Papers
4+阅读 · 2018年7月10日
笔记 | Sentiment Analysis
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
计算机视觉近一年进展综述
计算机视觉近一年进展综述
机器学习研究会
8+阅读 · 2017年11月25日
【推荐】(Keras)LSTM多元时序预测教程
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Breathing $K$-Means
Arxiv
0+阅读 · 2021年3月22日
Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data
Arxiv
0+阅读 · 2021年3月19日
Data driven algorithms for limited labeled data learning
Arxiv
0+阅读 · 2021年3月18日
Workflow Techniques for the Robust Use of Bayes Factors
Arxiv
0+阅读 · 2021年3月18日
Products of Euclidean metrics and applications to proximity questions among curves
Arxiv
3+阅读 · 2020年4月13日
A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
Arxiv
6+阅读 · 2019年10月21日
The Effect of Network Width on Stochastic Gradient Descent and Generalization: an Empirical Study
The Effect of Network Width on Stochastic Gradient Descent and Generalization: an Empirical Study
Arxiv
4+阅读 · 2019年5月9日
On the Implicit Assumptions of GANs
Arxiv
6+阅读 · 2018年11月29日
High Performance Software in Multidimensional Reduction Methods for Image Processing with Application to Ancient Manuscripts
High Performance Software in Multidimensional Reduction Methods for Image Processing with Application to Ancient Manuscripts
Arxiv
4+阅读 · 2018年7月18日
Implementing the Deep Q-Network
Arxiv
3+阅读 · 2017年11月20日
Top
微信扫码咨询专知VIP会员
Top