인간

Scientific Reports 13권, 기사 번호: 8699(2023) 이 기사 인용

903 액세스

1 알트메트릭

측정항목 세부정보

본 논문에서는 메소포타미아 범람원 환경 내 고고학 유적지를 탐지하기 위해 사전 훈련된 의미론적 분할 딥러닝 모델을 사용하여 얻은 결과를 보여줍니다. 모델은 공개적으로 사용 가능한 위성 이미지와 대규모 주석 모음(즉, 조사된 사이트)에서 나오는 벡터 모양을 사용하여 미세 조정되었습니다. 무작위 테스트 결과 가장 좋은 모델은 80% 부근의 탐지 정확도에 도달하는 것으로 나타났습니다. 제안된 마스크가 예측으로 간주되는지 정의하는 것은 매우 주관적이기 때문에 데이터 세트를 구축하는 방법과 예측을 평가하는 방법을 정의하려면 도메인 전문 지식을 통합하는 것이 중요했습니다. 더욱이, 심지어 부정확한 예측이라도 숙련된 고고학자가 상황에 맞게 해석하면 유용할 수 있습니다. 이러한 고려 사항을 바탕으로 인간-AI ​​협업 워크플로에 대한 비전을 제시하며 논문을 마무리합니다. 인간 전문가가 정제한 주석이 달린 데이터 세트로 시작하여 예측을 결합하여 히트맵을 생성하거나 위성 및/또는 항공 이미지에 중첩하거나 벡터화하여 GIS에서 추가 분석을 할 수 있는 모델을 얻습니다. 소프트웨어가 더 쉽고 자동으로 이루어집니다. 그러면 고고학자들은 예측을 분석하고 현장 조사를 구성하며 새롭고 수정된 주석을 사용하여 데이터세트를 개선할 수 있습니다.

이 문서는 항공 또는 우리의 경우 위성 이미지에서 잠재적인 고고학 유적지를 탐지하는 작업을 지원할 수 있는 인공 지능(AI) 시스템을 만드는 것을 목표로 데이터 과학자와 고고학자 간의 협력 결과를 문서화합니다. 의미론적 분할 모델을 사용하면 정확한 윤곽선을 그릴 수 있었고 인간 참여형(Human-In-The-Loop) 평가를 통해 탐지 정확도가 80%에 근접한 것으로 나타났습니다.

이 절차는 멀리서 관심 지점을 감지 및/또는 모니터링하는 행위를 나타내는 원격 감지(RS) 영역에 속합니다. 고고학 세계에서 이 작업은 오래된 정보 소스(예: CORONA 위성 이미지)와 결합하여 더 많은 수의 고고학 유적지를 발견하고 그 위치를 추적할 수 있는 위성의 더 많고 더 나은 이미지를 사용할 수 있게 되면서 매우 중요해졌습니다. 인류적 요인으로 인한 연속적인 저하1. 조사 영역과 조사되는 고고학적 특징의 규모에 따라, 특히 시간 측면에서 필요한 노력은 연구자에게 엄청날 수 있습니다.

이번 협업은 딥 러닝 모델을 사용하여 프로세스를 간소화하지만 완전히 자동화하지는 않음으로써 이 문제를 정확하게 해결하는 것을 목표로 했습니다. 따라서 남부 메소포타미아 범람원(충분히 일관된 지형학적 영역을 나타냄)의 모든 고고학적으로 기록된 유적지에 대한 벡터 모양의 데이터 세트에서 시작하여 주어진 입력 이미지에서 유적지를 감지하고 분할하도록 모델을 훈련했습니다. 프로젝트가 진행됨에 따라 이 문제를 특히 다루기 어렵게 만들고 일반적인 딥 러닝 사용 및 인간 전문가와의 관계에 대한 중요한 성찰로 이어지는 여러 가지 문제가 나타났습니다. 이 데이터 세트는 거의 5000개에 달하는 유적지를 포함하는 근동 고고학의 경우 매우 큰 데이터로 간주될 수 있지만 오늘날 사용되는 최첨단 모델만큼 큰 모델을 훈련하기에는 충분하지 않으며 아마도 더 중요할 수 있습니다. 에는 특정 오래된 이미지에서만 볼 수 있는 사례가 많이 포함되어 있습니다. 첫 번째 문제는 일반적으로 전이 학습을 통해 해결됩니다2. 이 기술은 크고 일반적인 데이터 세트(예: imagenet3)에 대해 사전 훈련된 모델에서 시작한 다음 더 작지만 더 구체적인 데이터 세트에서 이를 미세 조정하고 이전에 배운 기술을 활용하여 새로운 작업을 수행하는 것으로 구성됩니다. 더 관리하기 쉽습니다. 그러나 두 번째는 훈련 중에 모델이 잘못된 분류를 하도록 강요하고 나쁜 예를 무시하는 강력한 표현을 학습하더라도 실수인지 감지하는 데 어려움을 겪기 때문에 훈련과 평가 모두를 위험에 빠뜨립니다. 모델이나 라벨에 따라.