[fr] français
Coordinatrice : Gaëtane Maës, Institut de Recherches Historiques du Septentrion
Partenaire : Chaabane Djeraba, Université de Lille, CRIStAL
Équipe : FOX du Groupe Thématique : Image
Dates : 2025 - 2029
Résumé :
Le projet IDANOPO entend confronter la reconnaissance faciale de l’Intelligence artificielle (IA) aux portraits d’art réalisés aux 17e et 18e siècles afin d’identifier les personnes représentées et de les replacer dans leur contexte historique. Il réunit des chercheurs en histoire de l’art et en analyse d’images numériques par ordinateur afin de concevoir un nouvel outil pour l’étude historique du portrait et la circulation des modèles.
Parmi les portraits anciens conservés aujourd’hui, on peut estimer à environ 25 % le taux d’anonymat au d’erreur dans l’identification des modèles. Pour résoudre ce problème insoluble avec les méthodes traditionnelles de l’histoire de l’art, le projet propose de recourir à la vision par ordinateur afin d’analyser de manière automatisée de grands corpus dont seule une partie sera supervisée, car les annotations expertes sont particulièrement chronophages. Les corpus sont issus de trois établissements patrimoniaux participant au projet (Bibliothèque Nationale de France, musée du Château de Versailles et musée de la Comédie-Française) et d’images de Wikidata.
Il s’agit de détecter des similarités à grande échelle afin d’établir des regroupements de visages qui constitueront des bases de comparaisons inédites pour l’historien d’art. Notre hypothèse est que ces regroupements permettront non seulement d’identifier une partie des modèles, mais aussi de mieux comprendre les pratiques d’atelier des artistes où la duplication et la copie d’œuvres à succès étaient courantes. Ces questionnements à deux niveaux sur l’identité des modèles et sur les pratiques artistiques permettront de renouveler l’histoire du portrait d’art ancien et de sa fonction socio-économique en Europe.
Du point de vue de l’IA, l’objectif de ce projet est de développer des techniques avancées d’apprentissage profond basées sur les graphes pour identifier les individus dans les portraits artistiques historiques par le biais de la reconnaissance faciale, malgré les variations dans le style artistique, l’interprétation et la dégradation matérielle. En s’appuyant sur les réseaux neuronaux graphiques (GNN), le projet vise à regrouper les portraits sur la base de similitudes faciales permettant l’identification d’individus récurrents et révélant des modèles de duplication, d’influence stylistique et de pratiques d’atelier dans la production de portraits historiques. En outre, l’intégration de réseaux neuronaux à pointes (SNN) dans le pipeline basé sur les GNN devrait améliorer l’efficacité et l’évolutivité des calculs, facilitant ainsi l’analyse d’ensembles de données d’images à grande échelle.
Pour assurer la transparence et favoriser la confiance dans le processus d’identification automatisé, le projet intégrera des méthodes d’IA explicable (XAI), fournissant des informations interprétables sur les mécanismes de prise de décision des modèles. Notre hypothèse est que les modèles d’apprentissage profond basés sur les graphes, combinés aux techniques XAI, peuvent surmonter efficacement les défis inhérents à l’analyse des portraits historiques, offrant aux historiens de l’art à la fois des résultats précis et des explications significatives pour étudier l’identité des sujets des portraits et les fonctions socio-économiques de l’art du portrait en Europe.
Ce projet qui combine étroitement sciences humaines et informatique, intègre également une forte composante d’humanités numériques afin de s’inscrire dans une démarche de science ouverte totale. Les résultats du projet feront non seulement l’objet d’un ouvrage collectif et d’articles, mais figureront également sur un site web dédié au projet. Des capsules vidéo permettront également de traiter de questions débattues dans la société actuelle comme le rôle de l’intelligence artificielle dans la recherche en sciences humaines
Abstract :
The IDANOPO project aims to use facial recognition, generated by Artificial Intelligence (AI), on art portraits produced in the 17th and 18th century, in order to identify the people portrayed and place them in their historical context. It brings together researchers in art history and digital image analysis to design a new tool for the historical study of portrais and the circulation of models.
It is estimated that around 25% of models in old portraits preserved today are anonymous or misidentified. To overcome this problem, which has until now been insoluble in the human sciences, this project aims to closely combine the historical approach with facial recognition using AI. The use of computer vision will enable the automated analysis of large corpora of images, of which only a small part will be supervised, as expert annotations are particularly time-consuming. The corpora are drawn from the collections of three heritage institutions taking part in the project (Bibliothèque Nationale de France, Musée du Château de Versailles and Musée de la Comédie-Française) and from images in Wikidata.
The aim is to detect similarities on a large scale in order to establish groupings of faces that will provide art historians with new bases for examination and comparison. Our hypothesis is that these groupings will make it possible not only to identify some of the models, but also to gain a better understanding of the artists’ studio practices, where the duplication and copying of successful works was commonplace. This two-pronged examination of the identity of the models and artists’ practices will enable us to revisit the history of early modern portraiture and its socio-economic function in Europe.
From an AI perspective, the objective of this project is to develop advanced graph-based deep learning techniques to identify individuals in historical artistic portraits through facial recognition, despite variations in artistic style, interpretation, and material degradation. By leveraging Graph Neural Networks (GNNs), the project aims to group portraits based on facial similarities, enabling the identification of recurring individuals and revealing patterns of duplication, stylistic influence, and workshop practices in historical portrait production. Additionally, the integration of Spiking Neural Networks (SNNs) within the GNN-based pipeline is expected to enhance computational efficiency and scalability, facilitating the analysis of large-scale image datasets.
To ensure transparency and foster trust in the automated identification process, the project will incorporate Explainable AI (XAI) methods, providing interpretable insights into the decision-making mechanisms of the models. Our hypothesis is that graph-based deep learning models, combined with XAI techniques, can effectively overcome the challenges inherent to historical portrait analysis, offering art historians both accurate results and meaningful explanations to investigate the identity of portrait subjects and the socio-economic functions of portraiture in Europe.
This project, which closely combines the humanities and computer science, also includes a strong digital humanities component, as part of a total open science approach. The results of the project will not only be published in a collective book and articles but will also appear on a website dedicated to the project. Video clips will also be used to address issues currently being debated in society, such as the role of artificial intelligence in humanities research.