通过模型编辑提高数据有效性化石分割
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
使用人工智能技术和图像分析方法,针对罗马普通陶器碎片的分类问题,提出了一个基于深度卷积VAE网络的非线性特征聚类模型,并创建了一个罗马普通陶器数据库,为不同社区的进一步研究提供了新的思路。
Mar, 2022
本研究提出了一种集成多视图和软投票的深度学习多模型框架OGS,用于化石图像的识别和分类,实验结果表明,相对于使用单个基础模型的基线方法,OGS使用三个基础模型始终表现更好,并且通过与两位人类专家的一致性测试证明其高效性。
Feb, 2023
该研究提出了一种新的深度学习流程,将分层视觉变换器与基于风格的生成对抗网络算法相结合,可以更高效地获取和合成微古生物的高分辨率标记数据。该工作流展示了一种深度学习的可能性,优化了微古生物学研究和其他基于视觉的地质分析。
Apr, 2023
应用深度学习于考古学的遥感数据时,一个显著的障碍是适用于训练模型的数据集有限。本文通过比较两个LiDAR数据集上两种语义分割深度神经网络的多种迁移学习配置的性能,结论表明考古学中基于迁移学习的方法可以提高性能,但尚未观察到系统性的改进,为未来工作提供了基线。
Jul, 2023
在数字岩石物理学中,使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型——扩散模型,克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用Transformer结构的TransU-Net在分割图像方面表现出更高的准确性和IoU指标,超过了U-Net和Attention-U-Net,推进了数字岩石物理学的发展,为地球科学和工程学的突破铺平了道路。
Nov, 2023
我们的研究对SAM模型进行了优化,用于岩石CT和SEM图像分割,通过参数优化和处理大规模图像以提高准确性,实验证明了该调整模型(RockSAM)在岩石图像分析中生成高质量掩膜的可行性和有效性。
Nov, 2023
本研究通过一个全面的测试框架,研究了可视化对深度学习性能的影响,结果表明适当的可视化选择可以提高性能高达8%,然而找到一个在分割所有考古类别中表现出色的可视化方法仍然具有挑战性,实验结果突显了在成功分割考古对象时,精心选择模型配置和LiDAR可视化的重要性。
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