Человек

Научные отчеты, том 13, Номер статьи: 8699 (2023) Цитировать эту статью

921 Доступов

1 Альтметрика

Подробности о метриках

Эта статья иллюстрирует результаты, полученные с помощью предварительно обученных моделей глубокого обучения семантической сегментации для обнаружения археологических памятников в поймах Месопотамии. Модели были доработаны с использованием общедоступных спутниковых изображений и векторных фигур, взятых из большого массива аннотаций (т.е. обследованных объектов). Рандомизированный тест показал, что лучшая модель достигает точности обнаружения около 80%. Интеграция экспертных знаний в предметной области имела решающее значение для определения того, как построить набор данных и как оценивать прогнозы, поскольку определение того, считается ли предложенная маска прогнозом, очень субъективно. Более того, даже неточное предсказание может оказаться полезным, если его поместить в контекст и интерпретировать опытным археологом. Исходя из этих соображений, мы завершаем статью видением рабочего процесса сотрудничества человека и ИИ. Начиная с аннотированного набора данных, который уточняется экспертом, мы получаем модель, прогнозы которой могут быть либо объединены для создания тепловой карты, либо наложены на спутниковые и/или аэрофотоснимки, либо, альтернативно, могут быть векторизованы для дальнейшего анализа в ГИС. программное обеспечение проще и автоматизировано. В свою очередь, археологи могут анализировать прогнозы, организовывать исследования на местах и ​​уточнять набор данных новыми, исправленными аннотациями.

В этой статье документированы результаты сотрудничества специалистов по обработке данных и археологов с целью создания системы искусственного интеллекта (ИИ), способной помочь в решении задачи обнаружения потенциальных археологических объектов с помощью аэрофотоснимков или, в нашем случае, спутниковых изображений. Использование моделей семантической сегментации позволило нам нарисовать точные контуры, а оценка с участием человека показала, что точность обнаружения составляет около 80%.

Эта процедура относится к области дистанционного зондирования (RS), которое означает обнаружение и/или наблюдение за объектом интереса на расстоянии. В мире археологии эта операция стала неоценимой благодаря доступности большего количества и более качественных изображений со спутников, которые можно объединить со старыми источниками информации (например, спутниковыми изображениями CORONA) для обнаружения большего количества археологических объектов, а также отслеживания их местонахождения. последовательная деградация под действием антропогенных факторов1. В зависимости от области исследования и размера обследуемых археологических объектов необходимые усилия, особенно с точки зрения времени, могут быть огромными для исследователя.

Это сотрудничество было направлено на решение именно этой проблемы за счет использования моделей глубокого обучения для оптимизации, но не полной автоматизации процесса. Таким образом, начав с набора данных векторных форм для всех археологически зафиксированных памятников в пойме южной Месопотамии (который представляет собой достаточно согласованный геоморфологический регион), мы обучили модель обнаружению и сегментации участков на заданном входном изображении. По мере реализации проекта возник ряд проблем, которые делают эту проблему особенно трудной для решения и приводят к важным размышлениям об использовании глубокого обучения в целом и его взаимосвязи с людьми-экспертами. Набор данных, хотя и может считаться очень большим для археологии Ближнего Востока с его почти 5000 памятниками, вряд ли достаточен для обучения такой большой модели, как те самые современные модели, которые мы видим в использовании сегодня и, что, возможно, более важно. , содержит множество случаев, которые видны только на некоторых старых изображениях. Первая проблема обычно решается посредством трансферного обучения2. Этот метод заключается в том, чтобы начать с модели, предварительно обученной на большом и общем наборе данных (например, imagenet3), а затем провести ее точную настройку на меньшем, но более конкретном наборе данных, используя ранее приобретенные навыки для выполнения новой задачи. более управляемый. Второй, однако, ставит под угрозу как обучение, так и оценку, поскольку модель вынуждена делать неправильные классификации во время обучения, и даже если она научится надежным представлениям, игнорирующим плохие примеры, нам будет трудно определить, является ли это ошибкой. по модели или на этикетках.