本研究使用卷积神经网络来对文化遗产上雕刻或刻画成非常模糊的曲线结构进行自动分割，并通过实验证明了该算法在区分混杂曲线时的表现更为优秀。

Nov, 2017

使用模型编辑技术和领域知识来提高少数标记图像的化石图像分割，可以在没有额外标记数据的情况下改善不同类型化石的混淆。

Oct, 2022

本文提出一种基于生成对抗网络的无监督方法，能够生成具有多样的字形和真实纹理的古代文字图像，该方法在分类准确率等方面表现出色。

Mar, 2023

使用深度学习方法，通过自编码器(AE)和生成对抗网络(GAN)实时自动检测古代石碑表面的自然破坏和人为破坏，有效克服现有方法的限制，并在无需大量异常样本的情况下对不可预测的异常进行综合检测。

Aug, 2023

通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

Nov, 2023

19世纪的地籍是历史学家和考古学家的一个复杂且丰富的来源，使用时面临巨大挑战。我们使用卷积神经网络和视觉变换器训练了几个深度学习模型，从这种知识表示中提取大规模数据。我们在这里展示了我们工作的主要结果，并展示了我们基于浏览器的工具的演示，该工具使研究人员和公众利益相关者能够快速识别出19世纪弗朗西斯喜安地籍中具有建筑物的地点。这个工具不仅支持学者和研究人员更好地理解斯泰里亚地区的定居历史，还帮助公共行政机构和公民迅速确定文化遗产敏感区域。

Dec, 2023

我们介绍了一个图感知的自编码器集成框架，配备相关的形式化描述和工具，旨在促进人文学科的深度学习。通过组合子架构以产生与人文领域同构的模型，我们保持可解释性，同时为每个子架构选择提供函数签名，使传统研究人员和计算机研究人员能够合作而不会破坏现有的实践。我们通过对美国部分大西洋奴隶贸易的历史研究展示了我们方法的实际应用，并提出了几项具体的技术贡献：一种新颖的混合图卷积自编码器机制，常见图拓扑的批处理策略，以及特定用例的遮蔽技术。该框架的有效性在于扩大不同领域的参与，通过与人文学科的合作和来自机器学习文献的已建立任务，涵盖了多个领域和数据形式的数十项研究。我们对几种不同的架构选择进行性能比较，并总结了这一研究即将采取的雄心勃勃的下一步计划。

Jan, 2024

Lithic Use-Wear Analysis research investigates the effectiveness of pre-trained models for microscopic image classification and the influence of magnification and sensing modality on accuracy, providing opportunities for vision and learning communities.

Mar, 2024

通过光电测色扫描和深度分割网络的自动化处理，我们改善了古代艺术中费时且受损镜子的图像追踪和二值化方法，减轻了人工劳动，提高了预测性能以及与人类标注者相似的量化结果。

Apr, 2024

玛雅象形文字的研究通过人工智能提供了一种新的透视方式，可以翻译这些铭文，有潜力让非专家阅读这些文本，并帮助解密那些仍无法全面解释的象形文字。我们利用基础模型从一个专注于玛雅文物的开源数字图书馆中分割玛雅象形文字，通过专家在玛雅艺术和历史方面的协助，精心策划了图像和标签配对，使这些基础模型的性能得到显著提高，展示了精调方法的潜力和我们不断扩大的数据集的价值。我们计划开源这一数据集，鼓励未来的研究，并最终帮助更广泛的社区阅读玛雅象形文字，特别是玛雅遗产社区的成员。

May, 2024