Искусственный интеллект обнаружил неизвестные особенности в данных лидара

Фото из открытых источников

Археологи протестировали новый способ обучения моделей глубокого обучения в условиях дефицита реальных примеров определенного типа археологических памятников. Вместо больших коллекций известных объектов команда создала смоделированные археологические объекты и разместила их на реальных данных лидарного сканирования местности.

Исследование было сосредоточено на 12 необычных круглых сооружениях в Национальном лесу Кисачи, штат Луизиана. Эти сооружения были похожи на исторические смоляные печи, использовавшиеся для извлечения смолы, дегтя и каучука из сосен. Однако их форма отличалась от известных смоляных печей, обнаруженных в других районах юго-востока Соединенных Штатов.

Разница создала проблему для машинного обучения. Модель, обученная на существующих смоляных печах, с трудом смогла бы обнаружить сооружения из Луизианы. Существовало всего 12 примеров, слишком мало для создания надежного обучающего набора.

Команда протестировала два способа создания искусственных обучающих данных. Оба метода поместили смоделированные формы печи в цифровые модели рельефа, созданные на основе данных лидара . Лидар фиксирует небольшие изменения высоты местности, помогая археологам составлять карты объектов, скрытых под лесным покровом.

Команда обучила модели Mask R-CNN для идентификации объектов. Модели использовали фрагментированные лидарные изображения, 80% из которых использовались для обучения, 10% — для валидации и 10% — для тестирования. Каждая модель обучалась в течение 15 итераций, после чего ее производительность стабилизировалась.

Первая модель выдала 183 предсказания. После автоматической фильтрации исследователи проанализировали 142 из них. Модель обнаружила девять из 12 известных целей и шесть других объектов, которые стоит проверить позже.

Вторая модель предсказала 2032 объекта, после фильтрации осталось 709. Она обнаружила все 12 известных целей и 11 дополнительных объектов, заслуживающих дальнейшего изучения. Однако 686 из оставшихся предсказаний оказались ложными срабатываниями.

Многие ложные результаты были получены из-за водохранилищ, дренажных систем и естественных холмов-мим. Дополнительные фильтры устранили некоторые ошибки. Исследователи использовали форму местности, чтобы отличить холмообразные формы от ямкообразных форм исследуемых объектов.

Для сравнения была создана третья модель. Исследователи обучили её на реальных смоляных печах из Южной Каролины, предварительно изменив данные о высоте, чтобы они лучше соответствовали объектам из Луизианы. Эта модель обнаружила 11 из 12 целей и семь дополнительных объектов, заслуживающих проверки.

Полевые исследования изменили главный вопрос. Исследователи посетили 11 из первоначальных объектов и проверили два из них с помощью буров. Они не обнаружили отложений, богатых древесным углем, обугленной сосновой древесины, захороненных деревянных смоляных труб или твердых глиняных полов, которые ожидались бы в смоляных печах.

Эти сооружения также располагались недалеко от бывшего военного полигона времен Второй мировой войны. Исходя из их местоположения и формы, группа исследователей пришла к выводу, что они, скорее всего, связаны с военной подготовкой. В учебном пособии времен войны предполагалось, что эти сооружения могли быть позициями для гаубиц.

Автоматическое обнаружение по-прежнему требует полевых проверок. Модели хорошо справлялись с обнаружением необычных форм, но многие прогнозы оказались неверными. Очистка результатов заняла меньше времени, чем пешеходное обследование той же территории.

Исследование указывает на способ обойти одно из главных ограничений машинного обучения. Имитированные обучающие объекты можно создавать за считанные минуты, в то время как ручная разметка реальных участков занимает гораздо больше времени.

Команда предлагает использовать такие модели перед детальной разметкой изображений или полевыми исследованиями. Более крупные смоделированные наборы данных, содержащие тысячи объектов, могут улучшить будущие модели.

Главное преимущество для археологии — это скорость. Модель не заменяет полевые работы, но помогает сузить область исследования до меньшего числа мест, заслуживающих изучения. В данном случае такой подход помог исследователям найти целевые объекты и отбросить первоначальные предположения о том, что это за объекты.