Multimodal Detection for Underwater Cultural Heritage: A Physics-Guided Color-Bias-Aware Network and Dataset
Om uitdagingen in de detectie van onderwatercultureel erfgoed, zoals gegevensschaarste en kleurvervorming, te overwinnen, introduceert dit artikel de WRF-dataset en UCH-Net, een natuurkundig geleide dual-stream detector die bestaande baselines aanzienlijk overtreft door effectief RGB- en diepte-informatie te fuseren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De oceaanbodem herbergt een stil archief van de menselijke geschiedenis, waar oude scheepswrakken, ondergelopen steden en verspreide aardewerkstukken in het donker bewaard blijven. Deze onderwaterlocaties bieden direct bewijs van hoe mensen reisden, handelden en beschavingen bouwden, maar ze zijn ook kwetsbaar en constant bedreigd door de harde mariene omgeving. Om deze schatten te bestudelen en te beschermen, moeten onderzoekers ze eerst vinden en hun conditie documenteren, een taak die traditioneel steunt op menselijke duikers en op afstand bestuurbare voertuigen die duizenden afbeeldingen vastleggen. De onderwaterwereld presenteert echter een unieke visuele uitdaging: water absorbeert licht en verstrooit deeltjes, waardoor heldere scènes veranderen in een troebele, blauwgroene waas die kleuren vervormt en randen doet vervagen. Hoewel moderne computers getraind kunnen worden om objecten te herkennen in heldere lucht, hebben ze vaak moeite in deze gedegradeerde omgeving, waar een keramische kruik eruit kan zien als een schaduw en een houten balk in de achtergrond kan verdwijen.
Om dit probleem op te lossen, heeft een team van onderzoekers een nieuwe aanpak ontwikkeld die twee verschillende manieren combineert om de onderwaterwereld te zien. Ze bouwden een gespecialiseerde collectie afbeeldingen met echte archeologische locaties, waaronder scheepswrakken en ruïnes uit de Golf van Mexico, de Zwarte Zee en de Middellandse Zee. Deze dataset, die zij de Wrecks, Ruins, and Fragmentary Heritage dataset noemden, bevat bijna 5.000 afbeeldingen van 21 verschillende soorten artefacten, van aardewerken kruiken en munten tot scheepsonderdelen en standbeelden. Omdat de originele onderwaterfoto's geen informatie bevatten over hoe ver objecten verwijderd zijn, gebruikten de onderzoekers een computerprogramma om voor elke afbeelding een bijbehorende dieptekaart te genereren. Deze kaart fungeert als een topografische gids, die de vorm en afstand van objecten laat zien, zelfs wanneer hun kleuren door het water zijn weggespoeld. Door de standaard kleurenfoto's te combineren met deze dieteguides, creëerde het team een bron waarmee computers niet alleen kunnen leren hoe een object eruitziet, maar ook hoe het in de ruimte is gevormd.
Met behulp van deze nieuwe data ontwikkelden de onderzoekers een gespecialiseerd computersysteem genaamd UCH-Net, ontworpen specifiek om op zoek te gaan naar cultureel erfgoed in de diepte. In tegen tegenstelling tot standaard systemen die alleen vertrouwen op kleur en textuur, werkt dit systeem met twee visuele stromen: één die de kleurenfoto analyseert en een andere die de dieptekaart bestudeert. De innovatie ligt in de manier waarop deze twee stromen samenwerken. Het systeem bevat een module die begrijpt hoe water kleuren verandert op basis van afstand; het weet dat rood licht snel vervaagt terwijl blauw licht verder reist, waardoor het de visuele vervorming kan corrigeren voordat het een object probeert te identificeren. Vervolgens voegt het de gecorrigeerde kleurdetails samen met de geometrische vormen uit de dieptekaart, waarbij het de solide contouren van de dieptegegevens gebruikt om de zoektocht te leiden wanneer de kleurenfoto te wazig is om op te vertrouwen. Dit fysieke bewustzijn helط de het systeem om de ruis van zwevende deeltjes te negeren en zich te concentreren op de werkelijke structuur van de artefacten.
Bij tests tegenover andere leidende detectiemethoden bleek dit nieuwe systeem aanzienlijk effectiever. Op de nieuwe dataset van scheepswrakken en ruïnes identificeerde het objecten met een hoge mate van nauwkeurigheid, waarbij het de beste bestaande modellen met een ruime marge overtrof. Het was bijzonder goed in het pinpointen van de exacte locatie en grenzen van objecten, een cruciale vaardigheid voor archeologen die precies moeten weten waar een artefact zich bevindt om een reddings- of conserveringsinspanning te plannen. Het systeem presteerde ook goed op een aparte, publieke dataset van algemene onderwaterobjecten, wat aantoont dat het vermogen om met kleurvervorming en diepte om te gaan nuttig is buiten alleen scheepswrakken. Hoewel het systeem aanzienlijke rekenkracht vereist en nog niet klein genoeg is om op elke onderwaterrobot te draaien, laten de resultaten zien dat het combineren van kleurcorrectie met geometrische diepte-informatie een krachtige manier is om door de troebele diepten te kijken. Dit werk biedt een praktische basis voor het automatiseren van de screening van onderwatersites, wat onderzoekers potentieel in staat stelt om enorme hoeveelheden beelden snel te verwerken en de belangrijkste historische resten te identificeren voor verdere studie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.