CNN分类古代陶器，表现超过考古专家，解决“考古学中的肮脏秘密”

大数据文摘出品

来源：sciencedaily

编译：王烨

在散布在美国西南部的数千个考古遗址中，考古学家经常会发现陶器碎片。

许多碎片的设计可以被归类为之前定义的风格类别——‘类型’，这与它们制造的一般时间和制造地点有关。

“这些发现为考古学家提供了有关该遗址的时间、与之相关的文化群体以及与之互动的其他群体的关键信息。”

该研究依赖于最近在使用机器学习对图像进行类型分类方面的突破，特别是CNN。CNN现在是计算机图像识别的支柱技术，从医疗条件的X射线图像到搜索引擎中的匹配图像，再到自动驾驶汽车，它被广泛应用。

NAU人类学系的Leszek Pawlowicz和Chris Downum认为，如果CNN可以用来识别狗的品种和消费者可能喜欢的产品，为什么不把这种方法应用到古代陶器的分析中呢?

2016年，Pawlowicz和人类学教授Downum开始研究用电脑准确地将陶器碎片分类为已知陶器类型的可行性。

今年，他们终于完成了这一任务：快速且持续地将数以千计的陶器设计进行风格分类。

Leszek Pawlowicz说：“现在，通过使用陶器的数码照片，计算机可以完成考古学家们需要数百个小时的枯燥、艰苦和费力的工作，这些工作需要考古学家们在短时间内以更大的一致性把陶器碎片分成若干组。”

他们的研究结果发表在6月的同行评议刊物《考古科学杂志》上。

论文链接：

https://www.sciencedirect.com/science/article/pii/S0305440321000455

到目前为止，陶瓷设计特征的识别一直是一个困难和耗时的过程。这可能需要几个月或几年的训练，以掌握和正确识别小碎片或一个破罐的设计类别。

更糟糕的是，这个过程容易出现人为错误，因为专业的考古学家往往不同意由碎片代表的类型，并可能难以用语言表达他们的决策过程。一位匿名的同行评论家称这是“考古学中的肮脏秘密，没有人谈得够多”。

为了创造一种更有效的方法，Pawlowicz和Downum收集了成千上万的陶器碎片的图片，这些碎片具有一系列特定的物理特征，被称为Tusayan White Ware，在亚利桑那州东北部的大部分地区和附近的几个州都很常见。然后，他们招募了四位西南部顶尖的陶瓷专家，为每一块碎片确定陶瓷设计类型，并创建一个碎片训练集，让机器可以从中学习。最后，他们通过专注于考古学家一致认可的陶器标本，训练机器学习陶器类型。

“结果是显著的，”Pawlowicz 说。在相对较短的时间内，计算机训练自己识别陶器，其准确度可与人类专家相媲美，有时甚至超过人类专家。

对于有着几十年经验的四位考古学家来说，这台机器在分类数以万计的陶器碎片方面的表现超过了其中两个，并且与另外两个相当。更令人印象深刻的是，这台机器能够做到许多考古学家难以做到的事情：描述它为什么做出这样的分类决定。

机器使用彩色编码的碎片热图，指出了它用来作出分类决定的设计特征，从而提供了它的“想法”的视觉记录

“这个过程的一个令人兴奋的副产品是计算机能够找到几乎精确匹配的特定片段的陶器设计在单个碎片上的表现，”唐Downum说。使用CNN衍生的相似性度量设计，机器能够通过成千上万的图像搜索，找到最相似的单个陶器设计。

Pawlowicz和Downum相信，这种能力可以让计算机从一个古代“垃圾堆”中找到许多类似碎片中的一个破罐的碎片，或者对多个古代社区的风格相似性和不同性进行全区域的分析。

“我热切地希望西南部的考古学家们能够采用这种方法，并且尽快完成。”

弗吉尼亚大学考古学名誉教授的Stephen Plog说，他是《史前陶瓷的风格变异》一书的作者

“我们从旧系统中学到了很多东西，但它已经超出了它的实用性，现在是时候改变我们分析陶瓷设计的方式了。”

研究人员正在探索CNN模型分类的实际应用，并且正在撰写更多的期刊文章与其他考古学家分享这项技术。

他们希望这种对陶器进行考古分析的新方法可以应用到其他类型的古代文物上，并且希望考古学可以进入机器分类的新阶段，这将提高考古工作的效率，并且为新一代学生学习陶器设计提供更有效的方法。

相关报道：

https://www.sciencedaily.com/releases/2021/05/210517144704.htm