Reconstrução de cerâmicas ibéricas usando redes generativas adversárias

Jan 30, 2024

Scientific Reports volume 12, Número do artigo: 10644 (2022) Citar este artigo

1612 acessos

20 Altmétrico

Detalhes das métricas

Vários aspectos da cultura passada, incluindo tendências históricas, são inferidos a partir de padrões baseados no tempo observados em artefatos arqueológicos pertencentes a diferentes períodos. A presença e variação desses objetos fornecem pistas importantes sobre a revolução neolítica e, dada a sua relativa abundância na maioria dos sítios arqueológicos, as olarias cerâmicas são significativamente úteis nesse propósito. No entanto, a maior parte da cerâmica disponível é fragmentada, levando à falta de informações morfológicas. Atualmente, a remontagem de objetos fragmentados a partir de uma coleção de milhares de fragmentos mistos é uma tarefa assustadora e demorada feita quase exclusivamente à mão, o que requer a manipulação física dos fragmentos. Para superar os desafios da reconstrução manual e melhorar a qualidade das amostras reconstruídas, apresentamos o IberianGAN, uma Generative Adversarial Network (GAN) customizada testada em um extenso banco de dados com referências completas e fragmentadas. Treinamos o modelo com 1072 amostras correspondentes a perfis de cerâmica ibérica de rodas pertencentes a sítios arqueológicos localizados no vale superior do rio Guadalquivir (Espanha). Além disso, fornecemos avaliações quantitativas e qualitativas para medir a qualidade das amostras reconstruídas, juntamente com a avaliação de especialistas de domínio com arqueólogos. A estrutura resultante é uma forma possível de facilitar a reconstrução da cerâmica a partir de fragmentos parciais de uma peça original.

A evidência material de populações de forrageamento do passado é um campo de pesquisa prolífico em arqueologia. Entre os muitos fatores que informam a transição neolítica, as cerâmicas são muito informativas em termos de processos de seleção cultural. Eles também são um dos artefatos arqueológicos mais frequentemente encontrados. Por serem geralmente de curta duração, os pesquisadores consideram esses artefatos úteis para explorar cronologicamente e geograficamente, uma vez que a forma e a decoração estão sujeitas a mudanças de moda significativas ao longo do tempo e do espaço1. Isso dá base para datar os estratos arqueológicos e fornece evidências de um grande conjunto de dados valiosos, como produção local, relações comerciais e comportamento de consumo da população local2,3,4. Vários estudos anteriores analisam vários aspectos da cerâmica usando perfis de cerâmica completos. A classificação automática de perfis5,6,7,8,9 e a extração de características10,11,12,13,14,15,16,17 têm sido amplamente estudadas, desde técnicas tradicionais de processamento de imagem até abordagens de aprendizado profundo. Infelizmente, as cerâmicas são frágeis e, portanto, a maioria das cerâmicas reais recuperadas de sítios arqueológicos são quebradas, de modo que a grande maioria do material disponível aparece em fragmentos. A remontagem dos fragmentos é uma tarefa difícil e demorada feita quase exclusivamente à mão, o que requer a manipulação física dos fragmentos. Uma forma intuitiva de compreender o processo de fragmentação, bem como de melhorar a tarefa de reconstrução, é produzir grandes quantidades de cerâmicas imitando os procedimentos seguidos pelos artesãos ibéricos, partindo-as e analisando os conjuntos de fragmentos resultantes. Infelizmente, esses e outros métodos de processamento manual semelhantes para esse tipo de material incompleto são muito demorados e trabalhosos, mesmo para arqueólogos qualificados18. Devido a esses fatores, há um interesse crescente na remontagem e reconstrução automática de cerâmica19,20,21 e na análise de fragmentos22. No entanto, o trabalho existente resolve o problema dos fragmentos usando comparações entre peças conhecidas. A melhor correspondência no conjunto de dados é o melhor fragmento para essa cerâmica. Aqui propomos uma abordagem de aprendizado profundo em que o "melhor fragmento" é gerado artificialmente com base em um conjunto de fragmentos conhecidos no modelo, criando assim uma nova cerâmica virtual com as mesmas características das reais. As principais contribuições deste artigo são: