En ny metode til at forstå gamle møntbilleder

To forskere ved University of St. Andrews, i Skotland, har for nylig udviklet en ny maskinlæringsbaseret metode til at forstå billeder af gamle mønter. Deres studie, forududgivet på arXiv anvender computersyn og maskinlæring til gammel numismatik.

"Min forskning på dette område var et produkt af at bringe to passioner sammen:min vedvarende interesse for gamle mønter (jeg har selv en stor samling) og det nyeste inden for kunstig intelligens, Ognjen Arandjelovic, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "I 2010 Jeg skrev et papir om emnet og til min overraskelse, da dette typisk er en nicheinteresse, det vakte stor opmærksomhed."

De fleste tidligere undersøgelser har forsøgt bedre at forstå gamle mønter ved hjælp af generiske genkendelsesteknikker. Arandjelovics viden og forståelse for gammel numismatik, imidlertid, fik ham til at tro, at disse fremgangsmåder langt fra er optimale og tilskyndede ham til at udvikle alternative metoder. I løbet af det seneste årti eller deromkring, han har udgivet en række artikler, der afviger fra det førnævnte mønster.

De fleste eksisterende state-of-the-art metoder til analyse af gamle mønter har vist sig at fungere ret dårligt. I deres undersøgelse, Arandjelovic og hans kollega Jessica Cooper satte sig for at udvikle en mere effektiv tilgang, som kan beskrive en mønt som et menneske ville for et andet menneske.

"Arbejdet med Jessica kom fra min erkendelse af, at feltet har taget en meget forkert vinkel for at forsøge at afgøre, om to mønter er ens, " Arandjelovic forklarede. "Årsagen til dette stammer fra det faktum, at få gamle mønttyper (i forhold til de titusinder præget i løbet af de fem århundreder af Romerriget), som er blevet afbildet, er ret små, gør tilgangen af ​​ringe praktisk betydning. Jessica og jeg troede derfor, at det ville have været meget bedre, hvis computeren kunne beskrive mønten, meget som et menneske ville til et andet menneske."

"Jeg er stort set interesseret i algoritmer, der efterligner den måde mennesker griber opgaver på, "Cooper fortalte TechXplore" Når en ekspert beskriver en gammel mønt, hun identificerer kunstnerisk afbildede begreber på samme måde som vores system gør - ved at genkende former i billedet. Hun er også i stand til at pege på de elementer, hun beskriver:'der er et overflødighedshorn', 'der er et skjold' osv. Vores system gør også dette."

Dybdebeskrivelser er en afgørende del af numismatisk litteratur, Derfor kan det vise sig at være meget nyttigt at afdække detaljerede oplysninger om mønter ved hjælp af maskinlæringsteknikker. Møntbeskrivelser er i øjeblikket skrevet af menneskelige eksperter, hvilket kan være ret tidskrævende. Den nye metode udviklet af Arandjelovic og Cooper kunne hjælpe med at fremskynde analysen af ​​gamle mønter, automatisere en væsentlig del af det.

"Vi bruger såkaldt Deep Learning, som bruger en bestemt type neuralt netværk (disse er løst - meget løst faktisk - motiveret af neurale netværk, der omfatter vores hjerner) til at lære af masser af eksempler på mønter, der gør, og som ikke indeholder et specifikt visuelt element (f.eks. skjold, spyd, etc.), "Sagde Arandjelovic." Sådan lærer mennesker naturligvis i barndommen:gennem gentagen eksponering og feedback fra vejlederen (forælder, lærer, etc.)."

De fleste eksisterende tilgange fungerer ved visuelt at matche mønter, ved hjælp af objektgenkendelsesværktøjer. Imidlertid, antallet af gamle mønttyper overstiger langt de mønttyper, der er blevet registreret af eksperter digitalt eller på papir, hvilket er grunden til, at disse metoder ofte fungerer dårligt.

I modsætning til tidligere tilgange, metoden udviklet af Arandjelovic og Cooper analyserer det semantiske indhold af mønter. For det første, forskerne brugte multimodal input fra den virkelige verden til at udtrække og associere semantiske begreber med de korrekte møntbilleder. Efterfølgende de trænede et konvolutionelt neuralt netværk (CNN) på udseendet af disse begreber.

"Vores vigtigste resultat er beviset på konceptet, som vi med rimelighed kan forvente at markere et vendepunkt i feltets retning, "Sagde Arandjelovic." Vi har allerede mange nye ideer til, hvordan vi kan forbedre det, vi har gjort hidtil, og jeg stoler på, at andre forskere vil blive inspireret til at komme med forskellige ideer, der også bygger oven på vores bidrag."

Forskerne evaluerede deres metode på det største eksisterende datasæt af gamle mønter, som inkluderer møntbilleder udtrukket fra 100, 000 auktionslodder. Deres test gav meget lovende resultater, med deres algoritme at lave korrekte associationer og nøjagtigt identificere semantiske mønstre i gamle mønter.

"Jeg synes, vores data er virkelig interessante, fordi de er udfordrende - der er meget klasseubalance, meget larm, og billederne er kun mærket på hele billedniveauet, "Sagde Cooper." Derfor, under træning, modellen får kun at vide, hvis der findes et bestemt element på mønten, men ikke hvor den er – det skal den selv lære. At løse problemer på vanskelige datasæt som dette er værdifuldt ikke kun for dets egen skyld, men også fordi tilgange udviklet til én use case ofte med succes kan anvendes på tværs af en række forskellige domæner."

CNN brugt af Arandjelovic og Cooper er løst baseret på et berømt kunstigt neuralt netværk kaldet AlexNet, som oprindeligt blev brugt til at klassificere fotografier fra ImageNet-datasættet. Ifølge Cooper, deres undersøgelse giver et klart eksempel på, hvordan denne form for krydsbestøvning kan vise sig meget værdifuld. Hun arbejder i øjeblikket på et projekt, der anvender lignende computervisionsteknikker til kræftdiagnose fra medicinske scanninger.

"Vi har flere planer for fremtidig forskning, " sagde Arandjelovic. "For det første, vi planlægger at fortsætte denne forskning direkte, som vi gerne vil have et system, der helt bogstaveligt beskriver et billede af en mønt, ved hjælp af fuld, ordentlige sætninger, ligesom dem, du ville se beskrive mønter, når de sælges på auktioner. Vi vil også gerne udvikle metoder, der overvåger online auktionssider for at opdage stjålne mønter eller falske mønter."

© 2019 Science X Network