Detección de patrones repetitivos en objetos arqueológicos texturizados

Abstract

En la actualidad, se han logrado avances significativos en el estudio de patrones en imágenes mediante el uso de diversos algoritmos, tanto clásicos como más avanzados basados en el aprendizaje profundo (deep learning). No obstante, hasta ahora, estos estudios no han abordado específicamente el campo de la arqueología digital, una disciplina que se dedica a la digitalización de diferentes artefactos arqueológicos, con el objetivo de que personas de todo el mundo puedan acceder a ellos, ya sea con propósitos científicos o no. Además, esta área de investigación permite una mejor conservación de dichos objetos, los cuales son muy susceptibles a desgaste por la manipulación humana, así como a riesgos de fracturas o fisuras. Ante esta problemática, contar con modelos que sean capaces de identificar patrones en objetos arqueológicos representa un gran avance en esta disciplina. Por lo tanto, en el marco de esta investigación, se llevó a cabo una comparativa de distintos algoritmos con la capacidad de realizar dicha tarea. En base a lo expuesto, se trabajó con un conjunto de datos que consta de 82 imágenes de artefactos arqueológicos, acompañadas de las imágenes correspondientes a sus patrones, así como un archivo JSON que contiene las coordenadas donde se encuentran dichos patrones en la imagen principal. Se llevaron a cabo un total de 16 experimentos utilizando 4 algoritmos distintos: Template Matching, SIFT, ORB y LoFTR. Para cada algoritmo, se aplicaron 4 variaciones (sin correcciones, filtrado, redimensionado y filtrado con redimensionado), siendo cada variación una modificación específica del algoritmo original. Con el fin de realizar una comparativa, se utilizó la métrica MAP (Mean Average Precision). Los resultados obtenidos revelaron que el modelo más efectivo en todas las variaciones fue LoFTR, obteniendo los dos mejores resultados de MAP, con un 51% y un 45%, respectivamente. En segundo lugar, se ubicó SIFT con un resultado de MAP del 32%. Es probable que el rendimiento superior de LoFTR se deba a su uso de redes neuronales complejas. No obstante, es importante destacar que los competidores no se quedaron rezagados, teniendo en cuenta que son algoritmos clásicos.