Architectural Heritage Recognition with Deep Learning: An ANN and CNN Approach
本研究提出了一种利用卷积神经网络（CNN）、自动化超参数优化及标准化预处理的深度学习框架，旨在实现历史建筑风格的高精度自动化分类，从而为建筑遗产的可扩展记录与保护提供支持。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
历史往往镌刻在石头上，但几个世纪以来，理解这些刻在石头里的故事一直依赖于人类双眼缓慢而细致的工作。当历史学家或建筑师观察一座来自遥远过去的建筑时，他们必须识别其风格——无论是哥特时代的飞檐拱顶，还是古波斯的复杂柱廊——以此来理解其在时间长河中的位置。这种人工过程不仅耗时，而且在面对散落在档案中的数千张图像时，难以实现规模化应用。这些结构的视觉复杂性（拥有独特的纹理、形状和材料）使得系统地组织它们变得十分困难。近年来，被称为深度学习的计算机科学分支为解决这一问题提供了一种新方法。这些系统旨在像人类大脑通过经验学习一样从数据中学习，使它们能够识别出图像中那些可能过于微妙或过于繁多的模式，而这些模式是人类无法高效分类的。通过教计算机识别定义一个建筑时代的特定细节，研究人员希望创造出能够自动编目并保护我们共同建筑遗产的工具。
在最近的一项研究中，来自管理技术大学的 Majid Ali Baig 和 Sarah Abbas 研究人员致力于构建这样一种工具。他们专注于自动将历史建筑图像归类到其正确建筑风格中的挑战。为此，他们开发了一个基于被称为卷积神经网络的人工智能程序的计算机程序。你可以将这种网络想象成一个数字系统，它观察一张图像并将其分解为特征层，从简单的线条和形状开始，逐渐构建出定义特定风格的复杂模式。该团队从网上收集的大量历史建筑照片开始，这些照片包含了代表二十五种不同建筑风格的图像。在最初的实验中，他们选择了四种截然不同的风格来测试他们的系统：古老的阿契美尼德风格、中世纪的哥特风格、现代的解构主义风格以及华丽的新艺术风格。
研究人员首先为计算机读取图像进行了准备工作。他们将每张照片都转换为灰度图像，去除了颜色以纯粹关注形状和结构，并将所有图像统一调整为 256 x 256 像素的大小。这种标准化确保了计算机是在进行“苹果对苹果”的比较，而不是被不同的图像尺寸或色彩变化所干扰。然后，他们将这些处理后的图像输入到他们定制的神经网络中。该系统设计有多个协同工作的层，用于提取每张图片中最重要的细节。它使用数学技术来调整不同特征的重要性，确保系统学习正确的模式，而不被噪声或无关细节所困扰。为了使系统尽可能有效，研究人员使用了一种自动化工具来测试数千种不同的设置，寻找能够让计算机学习最快且最准确的完美参数组合。
结果表明，计算机确实可以学会区分这些复杂的建筑风格。在对数据进行训练后，该系统表现出了极高的准确度，在训练阶段，它在绝大多数情况下都能正确识别建筑的风格。当在从未见过的全新图像上进行测试时，该系统保持了强劲的表现，在约 85% 的案例中正确分类了建筑风格。研究人员还使用了特定的指标来衡量系统的表现，这些指标同时考察了正确识别的频率以及漏掉正确识别的频率。该系统展现了平衡的能力，既能找到正确的风格，又不会犯太多错误，其得分反映了对风格间视觉差异的扎实理解。然而，研究也显示该系统并非完美；它偶尔会将哥特风格与罗马式风格混淆，这表明某些建筑特征如此相似，以至于即使是先进的计算机模型也会难以分辨。
这项工作证明了深度学习可以作为历史学家和保护主义者的强大助手。通过自动完成数千张建筑图像的初步分类，该系统可以比人类更快地帮助整理庞大的建筑记录收藏。研究人员指出，他们的方法具有可扩展性，这意味着它可以扩展到处理其数据集中全部二十五种风格，而不仅仅是他们测试的四种。虽然目前的模型是一个显著的进步，但作者也承认仍有大量工作要做。未来的努力可能会集中在完善系统以处理更多风格，并提高其区分非常相似的建筑时期的能力。目前，这项研究证明了可以教计算机识别历史的视觉语言，为记录和理解我们周围的建筑遗产提供了一种新途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。