Uma Abordagem de Aprendizado Profundo para Estimar a Posição Relativa de Fragmentos Cerâmicos

Resumen

Cerâmica é um dos tipos mais comuns de vestígios humanos encontrados em contextos arqueológicos. A análise da cerâmica arqueológica tem grande potencial informativo, e sua reconstrução é uma tarefa demorada e repetitiva. Neste trabalho, investigamos uma abordagem baseada em aprendizado profundo para tornar esse processo mais eficiente, preciso e rápido. Dada uma nuvem de pontos de um fragmento em uma posição padronizada, o método proposto prevê a transformação geométrica que move o fragmento para sua posição relativa dentro do sistema de coordenadas do respectivo vaso. Duas redes neurais convolucionais profundas são treinadas para prever os parâmetros da transformação euclidiana 3D. A primeira rede se dedica a prever os momentos de translação, e a outra infere os parâmetros de rotação. Em aplicações práticas, uma vez que a forma de um vaso é identificada, as redes podem ser treinadas para prever os parâmetros da transformação alvo. Dado um modelo 3D do vaso de interesse, ele é virtualmente quebrado inúmeras vezes para a produção de dados sintéticos de treinamento, que consistem em um grande conjunto de fragmentos virtuais.