Automated features detection in archaeology: Standardisation in the area of big data - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Automated features detection in archaeology: Standardisation in the area of big data

La détection automatisée des structures en archéologie: la standardisation à l'aire du "Big Data"

Résumé

Recent years have seen an increasing use of automatic solutions to detect archaeological structures (Argyrou and Agapiou, 2022). New applications of machine learning processes to detect forms based on remote sensing data (UAVs or satellites) have led to many solutions, ranging from custom programming in languages like R and Python to integrated software such as e-Cognition and ArcGIS. This diversification has extended to divers geographical areas, types of structures detected, and a wide chronological timescales, fostering a rich tapestry of practices. The data produced are rarely comparable, and the metrics used to describe the models' efficiency are difficult to compare. Additionally, the transparency of model pre-processing and training parameters is often lacking, making cross-study comparisons challenging. This presentation aims to give a handbook of good practices for more interdisciplinarity and point out the bad habits in the automated archaeological structure detection field. We undertook an analysis of 25 articles pertaining to archaeological structure detection and extracted and categorised best practices among researchers. We considered the type of model employed for automated detection, the pre-processing steps, and the classification approach (supervised, semi-supervised, or unsupervised). While transfer learning and segmentation are recognized as prerequisites for modern studies, their adoption and mention vary among publications. Among models, Convolutional Neural Networks (CNNs) are the most used and specifically, Mask R-CNN, extremely well suited for site detection (Altaweel et al., 2022). The use of RGB images also must be discussed as they are not optimised for structure detection (Felicetti et al., 2021). Systematics use of F1 score and confusion matrix is not attested and will lead to non-standardised output. Another important problem is the test and training data set, that are not always described and even more the pre-process which is often omitted. The variability in practices among archaeological researchers engaged in automated site detection can be attributed to multiple factors: The need for a comprehensive handbook or a coordinating framework to unify practices; Data set training of archaeological site of different geographical and chronological context; The rapid development of new models and data input that hinder the establishment of standardized datasets or models; The interactions between archaeologists and computing science are not very efficient until now, as modern machine-learning applications are rarely taught in archaeological classes. It leads to autodidact practices which cannot be standardised. This paper aims to open a debate on more standardised practices for archaeological site detection and promotes the creation of a community around shared methodologies.
Ces dernières années ont vu une utilisation croissante de solutions automatiques pour détecter les structures archéologiques (Argyrou et Agapiou, 2022). De nouvelles applications de processus d'apprentissage automatique pour détecter des formes basées sur des données de télédétection (drones ou satellites) ont conduit à de nombreuses solutions, allant de la programmations personnalisées dans des langages tels que R et Python à des logiciels intégrés tels que e-Cognition et ArcGIS. Cette diversification s'est étendue à diverses zones géographiques, à divers types de structures détectées et à une large échelle chronologique, ce qui a favorisé l'émergence d'une riche mosaïque de pratiques. Les données produites sont rarement comparables et les métriques utilisées pour décrire l'efficacité des modèles sont difficilement comparables. En outre, la transparence des paramètres de prétraitement et d'apprentissage des modèles fait souvent défaut, ce qui complique les comparaisons entre les études. Cette présentation vise à fournir un manuel de bonnes pratiques pour plus d'interdisciplinarité et à mettre en évidence les mauvaises habitudes dans le domaine de la détection automatisée des structures archéologiques. Nous avons analysé 25 articles portant sur la détection des structures archéologiques et avons extrait et classé les meilleures pratiques des chercheurs. Nous avons pris en compte le type de modèle employé pour la détection automatisée, les étapes de prétraitement et l'approche de classification (supervisée, semi-supervisée ou non supervisée). Si l'apprentissage par transfert et la segmentation sont reconnus comme des conditions préalables aux études modernes, leur adoption et leur mention varient d'une publication à l'autre. Parmi les modèles, les réseaux neuronaux convolutifs (CNN) sont les plus utilisés et plus particulièrement le R-CNN du masque, extrêmement bien adapté à la détection de sites (Altaweel et al., 2022). L'utilisation d'images RVB doit également être discutée car elles ne sont pas optimisées pour la détection de structures (Felicetti et al., 2021). L'utilisation systématique du score F1 et de la matrice de confusion n'est pas attestée et conduira à des résultats non standardisés. Un autre problème important est l'ensemble de données de test et d'entraînement, qui n'est pas toujours décrit, et plus encore le prétraitement qui est souvent omis. La variabilité des pratiques parmi les chercheurs en archéologie, engagés dans la détection automatisée de sites, peut être attribuée à de multiples facteurs : Le besoin d'un manuel complet ou d'un cadre de coordination pour unifier les pratiques ; La formation d'ensembles de données de sites archéologiques de différents contextes géographiques et chronologiques ; Le développement rapide de nouveaux modèles et l'entrée de données qui empêchent l'établissement d'ensembles de données ou de modèles standardisés ; Les interactions entre les archéologues et l'informatique ne sont pas très efficaces jusqu'à présent, car les applications modernes d'apprentissage automatique sont rarement enseignées dans les cours d'archéologie. Les interactions entre les archéologues et l'informatique ne sont pas très efficaces jusqu'à présent, car les applications modernes d'apprentissage automatique sont rarement enseignées dans les cours d'archéologie. Cet article vise à ouvrir un débat sur des pratiques plus standardisées pour la détection des sites archéologiques et à promouvoir la création d'une communauté autour de méthodologies partagées.
CAA_2024_V2.pdf (1.84 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-04612232 , version 1 (14-06-2024)

Licence

Identifiants

  • HAL Id : hal-04612232 , version 1

Citer

Mathias Bellat, Thomas Scholten. Automated features detection in archaeology: Standardisation in the area of big data. CAA51st Across the Horizon, Computer Applications and Quantitative Methods in Archaeology (CAA); University of Auckland, Apr 2024, Auckland, New Zealand. ⟨hal-04612232⟩
6 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More