Två forskare vid University of St. Andrews, i Skottland, har nyligen utvecklat en ny maskininlärningsbaserad metod för att förstå bilder av gamla mynt. Deras studie, förpublicerat på arXiv tillämpar datorsyn och maskininlärning på gammal numismatik.

"Min forskning inom detta område var en produkt av att sammanföra två passioner:mitt pågående intresse för gamla mynt (jag har en stor samling själv) och det senaste inom AI, "Ognjen Arandjelovic, en av forskarna som genomförde studien, berättade TechXplore. "2010, Jag skrev ett papper om ämnet och till min förvåning, eftersom detta vanligtvis är ett nischintresse, det väckte stor uppmärksamhet. "

De flesta tidigare studier har försökt att bättre förstå gamla mynt med hjälp av generiska objektigenkänningstekniker. Arandjelovics kunskap och förståelse för antik numismatik, dock, fick honom att tro att dessa tillvägagångssätt är långt ifrån optimala och uppmuntrade honom att utveckla alternativa metoder. Under det senaste decenniet eller så, han har publicerat en serie papper som avviker från det ovan nämnda mönstret.

De flesta befintliga toppmoderna metoder för analys av gamla mynt har visat sig fungera ganska dåligt. I deras studie, Arandjelovic och hans kollega Jessica Cooper bestämde sig för att utveckla ett mer effektivt tillvägagångssätt, som kan beskriva ett mynt som en människa skulle göra för en annan människa.

"Arbetet med Jessica kom från min insikt att fältet har tagit en mycket fel vinkel på att försöka avgöra om två mynt är desamma, "Arandjelovic förklarade." Anledningen till detta härrör från det faktum att få gamla mynttyper (i förhållande till de tiotusentals som präglats under det romerska rikets fem århundraden) som är avbildade är ganska små, att göra tillvägagångssättet av liten praktisk betydelse. Jessica och jag tyckte alltså att det hade varit mycket bättre om datorn kunde beskriva myntet, mycket som en människa skulle göra mot en annan människa. "

"Jag är i stort intresserad av algoritmer som efterliknar hur människor närmar sig uppgifter, "Cooper berättade för TechXplore" När en expert beskriver ett gammalt mynt, hon identifierar konstnärligt avbildade begrepp på samma sätt som vårt system gör - genom att känna igen former i bilden. Hon kan också peka på de element hon beskriver:'det finns ett ymnighetshorn', "det finns en sköld" etc. Vårt system gör också detta. "

Fördjupade beskrivningar är en avgörande del av numismatisk litteratur, Därmed kan det vara mycket användbart att avslöja detaljerad information om mynt med hjälp av maskininlärningstekniker. Myntbeskrivningar är för närvarande skrivna av mänskliga experter, vilket kan vara ganska tidskrävande. Den nya metoden som utvecklats av Arandjelovic och Cooper kan hjälpa till att påskynda analysen av gamla mynt, automatisera en betydande del av det.

"Vi använder så kallad Deep Learning, som använder en specifik typ av neurala nätverk (dessa är löst - mycket löst faktiskt - motiverade av neurala nätverk som består av våra hjärnor) att lära av många exempel på mynt som gör och som inte innehåller ett specifikt visuellt element (t.ex. sköld, spjut, etc.), "Sa Arandjelovic." Så här lär sig naturligtvis människor i barndomen:genom upprepad exponering och feedback från handledaren (förälder, lärare, etc.)."

Majoriteten av befintliga metoder fungerar genom att matcha mynt visuellt, med hjälp av objektigenkänningsverktyg. Dock, Antalet gamla mynttyper överstiger mycket de mynttyper som har registrerats av experter digitalt eller på papper, vilket är anledningen till att dessa metoder ofta fungerar dåligt.

Till skillnad från tidigare tillvägagångssätt, metoden som utarbetats av Arandjelovic och Cooper analyserar myntens semantiska innehåll. För det första, forskarna använde verklig multimodal input för att extrahera och associera semantiska begrepp med rätt myntbilder. Senare, de utbildade ett konvolutionellt neuralt nätverk (CNN) om hur dessa begrepp ser ut.

"Vårt viktigaste resultat är proof of concept, som vi rimligen kan förvänta oss att markera en vändpunkt i fältets riktning, "Arandjelovic sa." Vi har redan många nya idéer om hur vi kan förbättra vad vi har gjort hittills, och jag litar på att andra forskare kommer att inspireras att komma med olika idéer som också bygger på vårt bidrag. "

Forskarna utvärderade sin metod på den största befintliga datamängden med gamla mynt, som inkluderar myntbilder extraherade från 100, 000 auktionslotter. Deras test gav mycket lovande resultat, med deras algoritm som gör korrekta associationer och exakt identifierar semantiska mönster i gamla mynt.

"Jag tycker att vår data är riktigt intressant eftersom den är utmanande - det finns mycket obalans i klassen, mycket oväsen, och bilderna är bara märkta på hela bildnivån, "Sa Cooper." Därför, under träning, modellen berättas endast om det finns ett visst element på myntet, men inte där den är - den måste lära sig det själv. Att lösa problem med svåra datamängder som detta är värdefullt inte bara för sin egen skull, men också för att tillvägagångssätt som utvecklats för ett användningsfall ofta kan tillämpas framgångsrikt på en mängd olika domäner. "

CNN som används av Arandjelovic och Cooper är löst baserat på ett känt artificiellt neuralt nätverk som heter AlexNet, som ursprungligen användes för att klassificera fotografier från ImageNet -datasetet. Enligt Cooper, deras studie ger ett tydligt exempel på hur denna typ av korsbestämning kan visa sig vara mycket värdefull. Hon arbetar för närvarande med ett projekt som tillämpar liknande datorsynstekniker för cancerdiagnos från medicinska skanningar.

"Vi har flera planer för framtida forskning, "Sa Arandjelovic." För det första, vi planerar att direkt fortsätta denna forskning, som vi skulle vilja ha ett system som bokstavligen beskriver en myntbild, använder full, rätta meningar, precis som de som du skulle se beskriva mynt när de säljs på auktioner. Vi vill också utveckla metoder som övervakar auktionssajter online för att upptäcka stulna mynt eller falska mynt. "

© 2019 Science X Network