論文の概要: PyPotteryLens: An Open-Source Deep Learning Framework for Automated Digitisation of Archaeological Pottery Documentation
- arxiv url: http://arxiv.org/abs/2412.11574v1
- Date: Mon, 16 Dec 2024 09:01:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:57:00.412184
- Title: PyPotteryLens: An Open-Source Deep Learning Framework for Automated Digitisation of Archaeological Pottery Documentation
- Title(参考訳): PyPotteryLens: 考古学的ポテリドキュメンテーションの自動デジタル化のためのオープンソースのディープラーニングフレームワーク
- Authors: Lorenzo Cardarelli,
- Abstract要約: PyPotteryLensは、考古学的考古学的図面のデジタル化と処理を自動化するフレームワークである。
このフレームワークは、陶器検出および分類タスクにおいて97%以上の精度とリコールを達成する。
手作業に比べて処理時間を最大5倍から20倍に短縮する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Archaeological pottery documentation and study represents a crucial but time-consuming aspect of archaeology. While recent years have seen advances in digital documentation methods, vast amounts of legacy data remain locked in traditional publications. This paper introduces PyPotteryLens, an open-source framework that leverages deep learning to automate the digitisation and processing of archaeological pottery drawings from published sources. The system combines state-of-the-art computer vision models (YOLO for instance segmentation and EfficientNetV2 for classification) with an intuitive user interface, making advanced digital methods accessible to archaeologists regardless of technical expertise. The framework achieves over 97\% precision and recall in pottery detection and classification tasks, while reducing processing time by up to 5x to 20x compared to manual methods. Testing across diverse archaeological contexts demonstrates robust generalisation capabilities. Also, the system's modular architecture facilitates extension to other archaeological materials, while its standardised output format ensures long-term preservation and reusability of digitised data as well as solid basis for training machine learning algorithms. The software, documentation, and examples are available on GitHub (https://github.com/lrncrd/PyPottery/tree/PyPotteryLens).
- Abstract(参考訳): 考古学の考古学資料と研究は、考古学において決定的だが時間を要する側面を示している。
近年ではデジタルドキュメンテーションの手法が進歩しているが、従来の出版物には大量のレガシデータが保管されている。
PyPotteryLensは,ディープラーニングを利用して考古学的土木図面のデジタル化と処理を自動化するオープンソースフレームワークである。
このシステムは、最先端のコンピュータビジョンモデル(YOLOはセグメント化、EfficientNetV2は分類)と直感的なユーザーインターフェースを組み合わせることで、技術的な専門知識に関係なく、先進的なデジタルメソッドを考古学者に利用できるようにする。
手作業に比べて処理時間を最大5倍から20倍に削減しつつ, 陶器検出や分類作業において, 97 %以上の精度とリコールを実現している。
多様な考古学的文脈におけるテストは、堅牢な一般化能力を示す。
また、システムのモジュラーアーキテクチャは、他の考古学資料への拡張を容易にし、その標準化された出力フォーマットは、デジタル化されたデータの長期保存と再利用性を保証するとともに、機械学習アルゴリズムのトレーニングのための確固たる基盤も確保する。
ソフトウェア、ドキュメント、サンプルはGitHubで入手できる(https://github.com/lrncrd/PyPottery/tree/PyPotteryLens)。
関連論文リスト
- PyPotteryInk: One-Step Diffusion Model for Sketch to Publication-ready Archaeological Drawings [0.0]
PyPotteryInkは、考古学的な陶芸のスケッチを出版可能なインク絵に変換する自動パイプラインだ。
本手法がイタリア原史時代の陶器図面のデータセットに与える影響を実証する。
モデルは、最小限のトレーニングデータで異なる考古学的文脈に適応するように微調整することができる。
論文 参考訳(メタデータ) (2025-02-09T14:03:37Z) - Machine learning applications in archaeological practices: a review [0.0]
1997年から2022年にかけて135の論文をレビューした。
自動構造検出とアーティファクト分類が最も顕著なタスクであった。
使用した機械学習手法の要件や注意点が不十分な場合もありました。
論文 参考訳(メタデータ) (2025-01-07T14:50:05Z) - AutArch: An AI-assisted workflow for object detection and automated
recording in archaeological catalogues [37.69303106863453]
本稿では,遺産として利用可能な考古学的発見カタログからデータを収集するための新しいワークフローを紹介する。
このワークフローは、自動検索されたデータの検証と調整を行う画像処理、オブジェクト検出、インタラクティブな手段をサポートするカスタムソフトウェア(AutArch)に依存している。
我々は、人工知能(AI)を、物体の検出と分類のためのニューラルネットワークの観点でワークフローに統合する。
論文 参考訳(メタデータ) (2023-11-29T17:24:04Z) - Slideflow: Deep Learning for Digital Histopathology with Real-Time
Whole-Slide Visualization [49.62449457005743]
われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。
デジタル病理学のための幅広い深層学習手法をサポートしている。
トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
論文 参考訳(メタデータ) (2023-04-09T02:49:36Z) - ArcAid: Analysis of Archaeological Artifacts using Drawings [23.906975910478142]
考古学はコンピュータビジョンの興味深い分野である。
ラベル付きデータに不足するだけでなく、高度に混ざったデータに悩まされる。
本稿では,考古学的遺物の画像の分類と検索のための,新しい半教師付きモデルを提案する。
論文 参考訳(メタデータ) (2022-11-17T11:57:01Z) - Deep learning for table detection and structure recognition: A survey [49.09628624903334]
本調査の目的は,テーブル検出の分野での大きな進展を深く理解することである。
この分野における古典的アプリケーションと新しいアプリケーションの両方について分析する。
既存のモデルのデータセットとソースコードは、読者にこの膨大な文献のコンパスを提供するために組織されている。
論文 参考訳(メタデータ) (2022-11-15T19:42:27Z) - Questions Are All You Need to Train a Dense Passage Retriever [123.13872383489172]
ARTは、ラベル付きトレーニングデータを必要としない高密度検索モデルをトレーニングするための、新しいコーパスレベルのオートエンコーディングアプローチである。
そこで,(1) 入力質問を用いて証拠文書の集合を検索し,(2) 文書を用いて元の質問を再構築する確率を計算する。
論文 参考訳(メタデータ) (2022-06-21T18:16:31Z) - Unsupervised Clustering of Roman Potsherds via Variational Autoencoders [63.8376359764052]
我々は,ローマのコモンウェア・ポッシャードの分類作業において,考古学者を支援する人工知能ソリューションを提案する。
断片の部分性と手作りのばらつきは、それらのマッチングを困難な問題にしている。
深部畳み込み変分オートエンコーダ(VAE)ネットワークの潜時空間で学習した非線形特徴の教師なし階層的クラスタリングにより、類似したプロファイルをペアリングすることを提案する。
論文 参考訳(メタデータ) (2022-03-14T18:56:13Z) - Digital Editions as Distant Supervision for Layout Analysis of Printed
Books [76.29918490722902]
本稿では,この意味的マークアップを,レイアウト解析モデルのトレーニングと評価のための遠隔監視として利用する手法について述べる。
DTA(Deutsches Textarchiv)の50万ページにわたるモデルアーキテクチャの実験では、これらの領域レベルの評価手法と画素レベルのメトリクスとワードレベルのメトリクスとの高い相関性を見出した。
自己学習による精度向上の可能性と、DTAで訓練されたモデルが他の歴史書に一般化できる可能性について論じる。
論文 参考訳(メタデータ) (2021-12-23T16:51:53Z) - Scaling Systematic Literature Reviews with Machine Learning Pipelines [57.82662094602138]
体系的なレビューは、科学的文書からデータを抽出する。
これらの側面をそれぞれ自動化するパイプラインを構築し、多くの人間時間対システム品質トレードオフを実験します。
人間の専門的アノテーションの2週間だけで、パイプラインシステム全体の驚くほどの精度と一般性が得られることが分かりました。
論文 参考訳(メタデータ) (2020-10-09T16:19:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。