Американские археологи научили нейросеть распознавать и классифицировать древнюю керамику по различиям в орнаментах. Для обучения они использовали цифровые изображения белой расписной керамики индейского населения юго-запада США. Первые результаты пятилетних опытов по глубокому обучению внушают оптимизм — сверточная нейросеть продемонстрировала точность, сопоставимую с навыками опытных археологов, а в некоторых случаях и превзошла их. Результаты опубликованы в Journal of Archaeological Science.
За два века исследований археологических памятников пуэбло на американском юго-западе были накоплены десятки тысяч керамических фрагментов из сотен древних поселений. Местная глиняная посуда, разнообразная по форме и богато орнаментированная, получила название «тусаянская белая керамика» (Tusayan White Ware). Ее особенно выразительным признаком является роспись: по белому или серому фону контрастным черным или коричневым пигментом нанесены геометрические рисунки. Форма сосудов, орнаментация и другие отличительные признаки служат маркерами для понимания культурной принадлежности населения, торговых связей и хронологии.
Общепринятая классификация делит посуду на девять основных типов по деталям орнамента. Декор и технологические особенности составляют комплексы устойчивых признаков и позволяют использовать белую керамику для датировки и интерпретации археологических памятников юго-запада США. На создание альтернативного метода исследователей натолкнули трудности, которые испытывают археологи в идентификации найденных фрагментов посуды. Ручная классификация занимает много времени и не исключает человеческих ошибок, а также пристрастных или субъективных мнений разных ученых.
Археологи Лешек Павлович (Leszek M. Pawlowicz) и Кристиан Даунум (Christian E. Downum) из университета Северной Аризоны применили метод глубокого обучения для классификации тусаянской белой посуды. Для анализа цифровых изображений орнаментированных фрагментов керамических сосудов ученые использовали технологию сверточных нейронных сетей, они позволяют эффективно распознавать образы, а затем их классифицировать, сопоставляя визуальные признаки сходства и отличия тысяч глиняных черепков.
В первую очередь был создан набор данных, необходимых для обучения и оценки нейросети, а также возможности сравнения точности с классификацией, сделанной людьми. Для согласованного набора отобрали 3064 фотоизображения фрагментов керамики, и четыре специалиста по древней посуде Тусаян создали свои классификации, ставшие основой коллекции для нейросети. Для беспристрастного анализа и оценки личности классификаторов были анонимизированы, им присвоили литеры A, B, C и D.
Для работы были выбраны модифицированные версии двух моделей сверточных нейросетей — CNN VGG16 и ResNet50. Для ускорения процесса использовали трансферное обучение, применяя предварительно обученные веса модели. Во время тренировки изменяли масштаб изображений и поворачивали их на случайный угол от 0 до 360 градусов. Это помогло улучшить способность модели классифицировать типы черепков независимо от ориентации и размера исходного изображения. Цвет фотографий преобразовали в оттенки серого, чтобы устранить ошибки из-за загрязнения или погодных условий, а также отклонений баланса белого при фотографировании керамики.
Для сравнения результатов использовалась метрика точности Top-1, в которой сравнивали классификации, выполненные нейросетью и людьми как между собой, так и с согласованной выборкой данных. Исследователи сообщают, что модель достигла точности согласованного набора данных и вполне сравнима с точностью опытных классификаторов-археологов. Совпадение между классификацией нейросети и эталонным набором получилось выше, чем совпадение между парами людей. Это говорит о том, что сверточная сеть в среднем видит классификационные признаки керамики лучше, чем человек.
Использованная модель не только классифицирует керамику, она еще умеет объяснять, на основании чего типологизирован тот или иной фрагмент. Это сделано при помощи карт локализации важных признаков, называемых градиентно-взвешенным отображением активации классов (Grad-CAM). Этот инструмент получает от нейросети сведения о степени значимости области изображения и окрашивает ее по принципу тепловой карты. Более релевантные для классификации участки обозначены красным, а менее важные — синим.
Метод точно классифицирует керамику и может находить взаимосвязи между группами черепков похожего и разного дизайна. Исследователи рассчитывают, что опробованный метод найдет применение для точной идентификации больших массивов керамических фрагментов и сопоставления находок из разных поселений и разных хронологических эпох. А умение нейросети выбирать аналоги из тысяч разрозненных черепков окажет неоценимую помощь в реставрации древних сосудов.
Распознавание визуальных образов — одна из самых популярных задач для машинного обучения.
рассказывал, как для усовершенствования тренировок нейросети исследователи из Apple
метод улучшения синтетических изображений, а американские биологи
сверточную нейросеть восстанавливать трехмерные позы животных по видео.
Елена Синицкая