考古学家先锋新技术排序古代陶器

Tusayan White Ware Sherd River

Tusayan White Ware Weards的“河流”,展示了从左边最古老的设计的变化。深度学习允许对这些陶器类型的准确和可重复分类进行分类。信用:克里斯下落

亚利桑那州北部大学的考古学家希望成为新技术,他们帮助先锋将改变科学家研究古代社会后面的破碎碎片。

来自NAU的人类学部的团队成功地教授计算机来表演一项复杂的任务,许多学习古代社会的科学家长期以来一直梦想:迅速,始终将数千种陶器设计分成多种文体类别。通过使用一种称为卷积神经网络(CNNS)的机器学习,考古学家创建了一种计算机化方法,该方法大致模拟了人类思维的分析视觉信息的思维过程。

“现在,使用陶器的数码照片,计算机可以通过考古学家涉及数百小时的繁琐,艰苦,令人兴奋的工作,以便将破碎的陶器分成群体的考古学家,在一小部分和更大的一致性,“人类学部的兼职教师Leszek Pawlowicz说。他和人类学教授Chris Downum开始研究使用计算机准确地将陶器的破碎陶器分类为2016年陶器类型的可行性。他们的研究结果在6月份的同行评审的出版物中报告了他们的研究结果考古科学学报

“关于在美国西南部分散的数千个考古遗迹中,考古学家通常会发现破碎的陶器碎片。这些陶瓷中的许多人将具有可以分类为先前定义的风格类别,称为“类型”的设计,这些类别与它们制造的一般时间段和所在位置相关的“众规则”。“这些提供了关于网站被占用的关键信息的考古学家,其中包括与之相关的文化群体和与他们互动的其他群体。”

该研究依赖于使用机器学习的近期突破,按类型分类图像,特别是CNN。CNNS现在是计算机图像识别的主干,用于从X射线图像进行医疗条件的所有内容,并将搜索引擎中的图像与自驾驶汽车相匹配。Pawlowicz和Downum的推理,如果CNNS可用于识别狗和产品的品种,消费者可能喜欢,为什么不将这种方法应用于古代陶器的分析?

到目前为止,识别陶器上的诊断设计特征的过程一直很困难且耗时。它可能涉及数月或多年的培训,掌握并正确地将设计类别应用于一个破碎的锅的小块。更糟糕的是,这个过程易于人为错误,因为专家考古学家往往不同意哪种类型由威尔人表示,并且可能难以用文字表达他们的决策过程。这篇文章的匿名同行评审员称为“考古学中的肮脏秘密,没有人谈论足够。”

决心创造一个更有效的过程,Pawlowicz和Downum会聚集了数千张陶器片段的陶器片段图片,具有特定的识别物理特征,称为托萨扬白洁白,在东北亚利桑那大部分地区和附近的州。然后,他们招募了四个西南的顶级陶器专家,以确定每次陶器的陶器设计类型,并创建机器可以学习的陶片的“培训集”。最后,他们通过专注于考古学家同意的陶器标本来训练该机器来学习陶器类型。

“结果是显着的,”Pawlowicz说。“在相对较短的时间内,计算机训练自己识别陶器准确性可比人类专家比较好。“

对于四个考古学家有数十年的经验,分类成千上万的实际锅炉,机器始厚的两者,与其他两个相当。更令人印象深刻,机器能够做很多考古学家可能难以困难的事情:描述为什么它做了它所做的分类决定。使用陶片的颜色编码热图,机器指出了它用于进行分类决策的设计特征,从而提供了“思想”的视觉记录。

“这一过程的激动人心的分拆是计算机找到特定的特定陶器设计片段的特殊匹配的能力,”唐蒙斯说。“使用CNN推导的设计相似度测量,机器能够搜索数千个图像来查找单个陶器设计的最相似的对应物。”

Pawlowicz和Downum认为这种能力可以让电脑在古老的垃圾堆的众多类似患病患者中找到一个散落的单个破碎锅,或者对多个古群落的文体相似之处和差异进行了全面的分析。该方法也可以更好地能够将特定的陶器设计与使用树圈方法进行挖掘的结构相关联。

他们的研究已经高度赞扬。

“我热切希望西南考古学家将采用这种方法,并这样做。它只是非常感觉,“弗吉尼亚大学考尔科学史克伦教授和”史前陶瓷中的文体变异“的作者,斯蒂芬·普朗斯教授说。“我们从旧系统中学到了一吨,但它持续超出其有用性,是时候改变我们如何分析陶瓷设计。”

研究人员正在探索CNN模型的分类专业知识的实际应用,并正在努力与其他考古学家分享技术的附加期刊文章。他们希望这种新的陶器考古分析方法适用于其他类型的古代文物,并且考古学可以进入机器分类的新阶段,从而提高考古努力的效率,更有效地教授陶器设计到新一代的教学方法学生的。

参考:考古科学学报

是第一个评论论“考古学家先锋新技术排序古代陶器”

发表评论

电子邮件地址是可选的。如果提供的话,您的电子邮件不会发布或共享。