基于GPU的深度学习算法对古代陶器小碎片进行分类
北亚利桑那大学的两位研究人员使用基于gpu的深度学习算法对古代陶器小碎片进行分类，分类结果达到甚至超越了四位考古专家的水平。
leszek pawlowicz和christian downum在6月出版的《考古科学杂志》上所发表的一篇论文中概述了这项技术。该技术的重点应用对象是美国西南部的一种特殊古代彩绘陶器——图萨扬白瓷（tusayan white ware）。
这种陶器于公元825年至1300年间在现在的亚利桑那州东北部制造，其特点是在白色陶器上绘有黑色几何图案。在20世纪20年代，考古学家想出了如何根据这些设计来对陶器进行分类，这样他们就可以了解每一块陶器碎片是在什么时候制造的。
图萨扬白瓷碎片是考古学家了解文字出现之前美国西南部复杂文化的一个窗口。虽然它们仅仅是美国东南部丰富考古遗产中的一小部分。
北亚利桑那大学兼职教师、1992年jeopardy！ tournament of champions的获胜者pawlowicz解释说：“在亚利桑那州和新墨西哥州有几万甚至几十万个遗址曾被霍皮人和祖尼人占据。他们从1500年前就开始居住在里面并且一直居住到近代。”
考古学家在研究陶器碎片时所面临的挑战与天文学、动物学等各个领域的科学家所面临的挑战相似。如今，他们正在借助人工智能，运用越来越多的数据开展日益庞大的项目。
认出古代工匠
北亚利桑那大学人类学教授downum表示，快速分析该地区以及全世界的陶器碎片将使研究人员能够对数百年前的人类生活有新的认识。
终将有一日，他们能够辨认出个别工匠的作品并追踪陶器在古代贸易网络中的分布。
问题在于只有极少数受过相关培训并拥有数十年经验的人才能够理解他们眼前的东西。
对于考古学家来说，人员流动是一个大问题。例如目前积极参加这方面工作的人员中，只有一位是第一代设计类别定义者的徒弟，可能有十几位是第二代专家的徒弟。
因此将数十万张碎片照片以及地理信息转换成电子数据十分重要。
超越人类专家
根据pawlowicz和downum的研究，经过适当训练的深度学习模型可以对装饰碎片的数字图像进行分类，并且其准确度可以达到甚至超过四位当代考古专家。
pawlowicz在他的电脑上只用了几个小时就训练出用于这项研究的人工智能模型。他的这台电脑配备nvidia gpu，用于运行一对常用的卷积神经网络模型——vgg16和resnet50。
该模型远胜现代考古学家，甚至可以成为培训新考古学家的重要工具。
更易解释性
pawlowicz和downum表示，深度学习长期以来一直被视为一个“黑匣子”。
pawlowicz和downum写道，grad-cam（基于梯度的类激活图）等新工具能够“询问”该模型以确定输入图像中的哪些区域对于图像类型分配置信度最为重要。
然后结果会以“热图”形式显示，其中与分类最相关的区域用红色阴影表示，不太相关的区域用蓝色表示。
与深度学习的易解释性相比，人类专家往往难以指出他们根据碎片样本的哪些具体特征进行分类，因此难以解释他们的工作或培训其他人员。
另一个优势是一致性。不同的人类专家往往会对碎片做出不同的分类，但人工智能却可以做出一致的分类。因此即便分类标准存在缺陷，也可以通过人工智能对大量样本进行有价值的对比。
通过深度学习，还能够更容易地将新的洞见应用于在100多年以前分类的碎片样本，从而将新概念应用于旧工作。
“众包” 考古工作
接下来，pawlowicz准备在北亚利桑那大学的nvidia系统上运用更复杂的模型分析更大的样本集。
downum和pawlowicz希望创建一个可搜索的中央图像数据库。各种智能手机应用程序甚至可以帮助几乎没有经验的人在现场为数据库“添砖加瓦”——在不影响两位考古学家工作的情况下为现场碎片拍照。
人工智能会对每张上传的碎片照片进行专家级分析。downum认为：“这项技术具有很大的潜力。”
汽车车灯多种可靠性测试方法
P6139A，P6015A探头，TDS1002B，TDS10
艾笛森将深耘LED专业封装领域领域 提供客制化服务
基于FPGA的视频图像拼接融合
高光时刻 | 福禄克荣获CAIMRS 2020三项大奖，彰显品牌实力
基于GPU的深度学习算法对古代陶器小碎片进行分类
高速CAN收发器产品概述
WIFI版ATP荧光检测仪招标参数的详细介绍
如何使用CMOS集成电路进行单电源接口电路的设计
智能锁的技术原理及工作原理是什么？坤坤智能锁告诉你
全项目土壤肥料检测仪的详细介绍
液晶电视花屏故障现象及处理办法
基于单片机PCB电磁干扰设计
机器学习无人区,下一步的突破在哪里?
英格兰银行州长称数字货币无法当金钱使用
三星S8被无视，高通骁龙835唯这三款一加5、小米6、HTCU11可入手
受到智能机器人的直接冲击的六个行业
MIUI11或推出色彩管理功能 可单独控制色彩的各种参数
国产5G射频滤波器量产 从0到1的突破！
IEEE发布顶级编程语言排行榜：Python雄踞榜首
leszek pawlowicz和christian downum在6月出版的《考古科学杂志》上所发表的一篇论文中概述了这项技术。该技术的重点应用对象是美国西南部的一种特殊古代彩绘陶器——图萨扬白瓷（tusayan white ware）。
这种陶器于公元825年至1300年间在现在的亚利桑那州东北部制造，其特点是在白色陶器上绘有黑色几何图案。在20世纪20年代，考古学家想出了如何根据这些设计来对陶器进行分类，这样他们就可以了解每一块陶器碎片是在什么时候制造的。
图萨扬白瓷碎片是考古学家了解文字出现之前美国西南部复杂文化的一个窗口。虽然它们仅仅是美国东南部丰富考古遗产中的一小部分。
北亚利桑那大学兼职教师、1992年jeopardy！ tournament of champions的获胜者pawlowicz解释说：“在亚利桑那州和新墨西哥州有几万甚至几十万个遗址曾被霍皮人和祖尼人占据。他们从1500年前就开始居住在里面并且一直居住到近代。”
考古学家在研究陶器碎片时所面临的挑战与天文学、动物学等各个领域的科学家所面临的挑战相似。如今，他们正在借助人工智能，运用越来越多的数据开展日益庞大的项目。
认出古代工匠
北亚利桑那大学人类学教授downum表示，快速分析该地区以及全世界的陶器碎片将使研究人员能够对数百年前的人类生活有新的认识。
终将有一日，他们能够辨认出个别工匠的作品并追踪陶器在古代贸易网络中的分布。
问题在于只有极少数受过相关培训并拥有数十年经验的人才能够理解他们眼前的东西。
对于考古学家来说，人员流动是一个大问题。例如目前积极参加这方面工作的人员中，只有一位是第一代设计类别定义者的徒弟，可能有十几位是第二代专家的徒弟。
因此将数十万张碎片照片以及地理信息转换成电子数据十分重要。
超越人类专家
根据pawlowicz和downum的研究，经过适当训练的深度学习模型可以对装饰碎片的数字图像进行分类，并且其准确度可以达到甚至超过四位当代考古专家。
pawlowicz在他的电脑上只用了几个小时就训练出用于这项研究的人工智能模型。他的这台电脑配备nvidia gpu，用于运行一对常用的卷积神经网络模型——vgg16和resnet50。
该模型远胜现代考古学家，甚至可以成为培训新考古学家的重要工具。
更易解释性
pawlowicz和downum表示，深度学习长期以来一直被视为一个“黑匣子”。
pawlowicz和downum写道，grad-cam（基于梯度的类激活图）等新工具能够“询问”该模型以确定输入图像中的哪些区域对于图像类型分配置信度最为重要。
然后结果会以“热图”形式显示，其中与分类最相关的区域用红色阴影表示，不太相关的区域用蓝色表示。
与深度学习的易解释性相比，人类专家往往难以指出他们根据碎片样本的哪些具体特征进行分类，因此难以解释他们的工作或培训其他人员。
另一个优势是一致性。不同的人类专家往往会对碎片做出不同的分类，但人工智能却可以做出一致的分类。因此即便分类标准存在缺陷，也可以通过人工智能对大量样本进行有价值的对比。
通过深度学习，还能够更容易地将新的洞见应用于在100多年以前分类的碎片样本，从而将新概念应用于旧工作。
“众包” 考古工作
接下来，pawlowicz准备在北亚利桑那大学的nvidia系统上运用更复杂的模型分析更大的样本集。
downum和pawlowicz希望创建一个可搜索的中央图像数据库。各种智能手机应用程序甚至可以帮助几乎没有经验的人在现场为数据库“添砖加瓦”——在不影响两位考古学家工作的情况下为现场碎片拍照。
人工智能会对每张上传的碎片照片进行专家级分析。downum认为：“这项技术具有很大的潜力。”
汽车车灯多种可靠性测试方法
P6139A，P6015A探头，TDS1002B，TDS10
艾笛森将深耘LED专业封装领域领域 提供客制化服务
基于FPGA的视频图像拼接融合
高光时刻 | 福禄克荣获CAIMRS 2020三项大奖，彰显品牌实力
基于GPU的深度学习算法对古代陶器小碎片进行分类
高速CAN收发器产品概述
WIFI版ATP荧光检测仪招标参数的详细介绍
如何使用CMOS集成电路进行单电源接口电路的设计
智能锁的技术原理及工作原理是什么？坤坤智能锁告诉你
全项目土壤肥料检测仪的详细介绍
液晶电视花屏故障现象及处理办法
基于单片机PCB电磁干扰设计
机器学习无人区,下一步的突破在哪里?
英格兰银行州长称数字货币无法当金钱使用
三星S8被无视，高通骁龙835唯这三款一加5、小米6、HTCU11可入手
受到智能机器人的直接冲击的六个行业
MIUI11或推出色彩管理功能 可单独控制色彩的各种参数
国产5G射频滤波器量产 从0到1的突破！
IEEE发布顶级编程语言排行榜：Python雄踞榜首