Reconocimiento de patrones repetitivos en imágenes de motivos de herencia cultural

Abstract

En el análisis de objetos de herencia cultural uno de los procesos más importantes es la documentación que caracteriza al objeto, desde la procedencia y el tipo de material, hasta detalles como los patrones grabados sobre el objeto. Esta información es utilizada por arqueólogos, antropólogos y otros profesionales para realizar estudios de los objetos y de las culturas que los crearon.

Actualmente, debido al escaso estudio de herramientas de apoyo en la detección de estos objetos, las segmentaciones de patrones grabados sobre objetos de herencia cultural se realizan de manera manual.

El problema que se aborda en esta investigación involucra la detección y segmentación de patrones geométricos y no geométricos repetitivos sobre imágenes de motivos de herencia cultural, específicamente sobre imágenes de texturas de cerámica antigua. El objetivo es realizar la tarea de segmentación de manera automática, colaborando de esta manera en el proceso de recuperación de información manual que actualmente tienen que realizar los arqueólogos y a la vez contribuir con la implementación de nuevas herramientas que permitan realizar esta tarea con otras fuentes de datos o mejorando los resultados que se obtendrán.

Para lograr este objetivo se utiliza el conjunto de datos "Repetitive Patterns on Textured 3D Surfaces'' (RPT3DS), el cual contiene 81 texturas 2D de modelos 3D de diferentes artefactos de cerámica con motivos pintados sobre su superficie, las cuales pertenecen al Museo Josefina de Ramos, Lima, Perú. Cada patrón repetido del conjunto de imágenes fue segmentado de manera manual por arqueólogos por medio del uso del software compartido por los autores del trabajo.

En esta investigación se utilizaron modelos del estado del arte en detección y segmentación de objetos, los cuales fueron entrenados y evaluados sobre el conjunto de datos RPT3DS. Los modelos utilizados involucran algoritmos tradicionales de detección de objetos y algoritmos basados en redes neuronales especializados en tareas de detección de objetos y segmentación. Los resultados mostraron que al realizar fine-tuning con el modelo pre-entrenado de YOLOv8 con el conjunto de datos de COCO se obtiene sobre un 95% de mAP y es posible detectar patrones que no fueron segmentados de manera manual por los arqueólogos.

Se espera que los resultados permitan realizar la tarea de segmentación en nuevas fuentes de datos de figuras arqueológicas de manera automática y de esta manera colaborar en el proceso de recuperación de información de patrones en este dominio de datos.