Semantic segmentation of ancient ceramics based on hyperspectral data
Graugés Bellver, Gerard
Ponsa Mussarra, Daniel, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Segmentació semàntica de ceràmiques antigues basat en dades hiperespectrals
Títol variant:	Segmentación semántica de cerámicas antiguas basadas en datos hiperespectrales
Data:	2022
Resum:	Ceramics have played a key role in the development of archaeology. They are the most common artefact found on archaeological sites because their composition makes them very durable. Being able to date and classify them is an essential job for archaeologists. This project focuses on classifying through semantic segmentation images based on hyperspectral data from a number of ceramics from different types, regions and ages. Hyperspectral data is useful to distinguish among different materials through their spectral signature, which is used in the classification. The proposed system has been divided in three modules. The first module consists on a dimensionality reduction algorithm based on a PCA. Second, a classification module and finally the evaluation module. The classification module consists on two machine learning algorithms: the Random Forest and the Support Vector Machines, and a deep learning algorithm: the U-net neural network. The results obtained showed that the U-net has better results and is able to learn to classify the ceramics by grouping them based on common traits such as category or origin. Semantic segmentation has allowed to implement classifying by fragment, slightly improving the results obtained with semantic segmentation through the U-net neural network.
Resum:	Les ceràmiques han jugat un paper clau en el desenvolupament de l'arqueologia. Són els artefactes més habituals que es troben als jaciments arqueològics a causa de la seva composició que els fa molt duradors. Ser capaç de datar-los i classificar-los és una part essencial de la feina dels arqueòlegs. Aquest projecte se centra a classificar, a través de segmentació semàntica, imatges basades en dades hiperespectrals de ceràmiques de diferents regions i èpoques. Les dades hiperespectrals són útils per distingir entre diferents materials mitjançant la seva signatura espectral, que és el que s'utilitza per a la classificació. El sistema proposat s'ha dividit en tres mòduls. El primer mòdul consisteix en un algorisme de reducció de dimensionalitat basat en el "Principal Component Analysis" (PCA). En segon lloc, un mòdul de classificació i finalment un mòdul d'evaluació. El mòdul de classificació consisteix en dos algorismes d'aprenentatge computacional: el "Random Forest" i "Support Vector Machines", i un algorisme d'aprenentatge profund: la xarxa neuronal U-net. Els resultats obtinguts han demostrat que la U-net té els millors resultats i és capaç d'aprendre a classificar les ceràmiques agrupant-les segons trets comuns com categoria o origen. La segmentació semàntica ha permès implementar classificació per fragment, que ha incrementat lleugerament els resultats aconseguits per segmentació semàntica de la U-net.
Resum:	Las cerámicas han jugado un papel clave en el desarrollo de la arqueología. Son los artefactos más habituales que se encuentran en los yacimientos arqueológicos debido a su composición que los hace muy duraderos. Ser capaz de datarlos y clasificarlos es parte esencial del trabajo de los arqueólogos. Este proyecto se centra en clasificar, a través de segmentación semántica, imágenes basadas en datos hiperespectrales de cerámicas de distintas regiones y épocas. Los datos hiperespectrales son útiles para distinguir entre distintos materiales mediante su firma espectral, que es el que se utiliza para la clasificación. El sistema propuesto se ha dividido en tres módulos. El primer módulo consiste en un algoritmo de reducción de dimensionalidad basado en el "Principal Component Analysis" (PCA). En segundo lugar, un módulo de clasificación y por último un módulo de evaluación. El módulo de clasificación consiste en dos algoritmos de aprendizaje computacional: el "Random Forest" y "Support Vector Machines", y un algoritmo de aprendizaje profundo: la red neuronal U-net. Los resultados obtenidos han demostrado que la U-net tiene los mejores resultados y es capaz de aprender a clasificar las cerámicas agrupándolas según rasgos comunes como categoría u origen. La segmentación semántica ha permitido implementar clasificación por fragmento, que ha incrementado ligeramente los resultados conseguidos por segmentación semántica de la U-net.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Titulació:	Grau en Enginyeria Informàtica [2502441]
Pla d'estudis:	Enginyeria Informàtica [958]
Document:	Treball final de grau ; Text
Àrea temàtica:	Menció Computació
Matèria:	Imatge hiperespectral (HSI) ; Signatura espectral ; Aprenentatge profund ; Reducció de dimensionalitat ; Principal Component Analysis (PCA) ; Imagen hiperespectral (HSI) ; Firma espectral ; Aprendizaje profundo ; Reducción de dimensionalidad ; Hyperspectral image (HSI) ; Spectral signature ; Deep learning ; Dimensionality reduction

11 p, 1.8 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG