Археолози изпробваха нов метод за обучение на невронни мрежи за откриване на археологически обекти, когато реалните примери за даден тип паметници са недостатъчни. Вместо големи колекции от известни обекти екипът създаде симулация на археологически обекти и ги вмъкна в реални данни за релефа, получени с помощта на лидар.
Изследването се съсредоточи върху 12 необичайни кръгли структури в националната гора Кизатчи, щата Луизиана. Те приличаха на историческите пещи за изгаряне на смола, използвани за извличане на катран, смола и канифол от борови дървета. Формата им обаче се различаваше от известните пещи за извличане на смола, открити на други места в югоизточната част на САЩ. Тази разлика създаде проблем за машинното обучение. Модел, обучен въз основа на съществуващите пещи за извличане на смола би имал затруднения да разпознае структурите от Луизиана. Имаше само 12 примера, което е твърде малко за надежден обучителен набор.
Екипът тества два метода за създаване на изкуствени обучителни данни. И двата метода поставяха симулирани форми на пещите в цифрови модели на релефа, създадени въз основа на лидарни данни. Лидарът регистрира малки промени във височината на терена, като помага на археолозите да изготвят карти на обекти, скрити под горските корони.
Идеализиран работен процес на дълбоко обучение въз основа на историческите основи
Екипът обучи модели Mask R-CNN за идентифициране на обекти. Моделите използваха мозаечни лидарни изображения: 80% за обучение, 10% за валидиране и 10% за тестване. Всеки модел беше обучаван в продължение на 15 кръга, преди производителността му да се стабилизира. Първият модел даде 183 прогнози. След автоматично филтриране изследователите прегледаха 142. Моделът откри 9 от 12-те известни цели и 6 други обекта, заслужаващи по-нататъшна проверка. Вторият модел предсказа 2032 обекта, като след филтрирането останаха 709. Той откри всички 12 известни цели и 11 допълнителни обекта, заслужаващи проучване. Въпреки това останалите 686 прогнози се оказаха фалшиво положителни.
Много от фалшивите резултати бяха свързани с водохранилища, дренажни съоръжения и естествени могили. Допълнителни филтри отстраниха някои грешки. Изследователите използваха формата на терена, за да разграничат хълмистите форми от ямообразните форми на целите.
(a) Модел за изключване на разположението на симулираните обекти; (b) разположени симулирани обекти; (c) правила за разположение на събрани ями; (d) скрипт, генериращ периметъра на пещ за смола
Третият модел послужи за сравнение. Изследователите го обучиха въз основа на реални пещи за изгаряне на смола от Южна Каролина, като промениха данните за надморската височина, за да съответстват по-добре на обектите в Луизиана. Този модел откри 11 от 12-те целеви обекта и 7 допълнителни обекта, заслужаващи проверка. Теренните проучвания промениха основния въпрос. Изследователите посетиха 11 от първоначалните обекти и провериха два от тях с помощта на сонди. Те не откриха богати на въглища отложения, овъглена борови дървесина, заровени дървени тръби за катран или твърди глинени подове, каквито се очакват при пещите за изгаряне на смола.
Структурите също така се намираха в близост до бивш военен тренировъчен полигон от времето на Втората световна война. Въз основа на тяхното разположение и форма екипът стигна до заключението, че те най-вероятно са свързани с военна подготовка. Военното учебно помагало от онова време предполагаше, че тези структури са могли да бъдат позиции за гаубици. Автоматичното откриване все още изисква проверки на място. Моделите успешно откриваха необичайни форми, но много от прогнозите се оказаха погрешни. Пречистването на резултатите отне по-малко време, отколкото обхождането пеша на същата територия.
Изследването посочва начин за заобикаляне на сериозно ограничение на машинното обучение. Моделираните обучителни обекти могат да се създават за минути, докато ръчното маркиране на реални обекти отнема много повече време.Екипът предлага тези модели да се използват преди подробното маркиране на изображенията или теренните проучвания. По-големи моделирани набори от данни с хиляди обекти биха могли да подобрят бъдещите модели. Основното предимство за археологията е скоростта. Моделът не замества полевата работа, но помага да се стесни обхватът на терена до няколко места, които си заслужава да бъдат проверени. В този случай подходът помогна на изследователите да открият обектите и да отхвърлят първоначалната си хипотеза за това какво представляват те.