Dois pesquisadores da Universidade de St. Andrews, Na Escócia, desenvolveram recentemente um novo método baseado em aprendizado de máquina para a compreensão de imagens de moedas antigas. Seu estudo, pré-publicado no arXiv aplica a visão computacional e o aprendizado de máquina à numismática antiga.

"Minha pesquisa neste campo foi o produto da união de duas paixões:meu interesse contínuo por moedas antigas (eu mesmo tenho uma grande coleção) e o estado da arte em IA, "Ognjen Arandjelovic, um dos pesquisadores que realizou o estudo, disse TechXplore. "Em 2010, Eu escrevi um artigo sobre o assunto e para minha surpresa, já que isso é normalmente um nicho de interesse, atraiu muita atenção. "

A maioria dos estudos anteriores tentou entender melhor as moedas antigas usando técnicas de reconhecimento de objetos genéricos. O conhecimento e compreensão de Arandjelovic da numismática antiga, Contudo, o levou a acreditar que essas abordagens estão longe de ser ideais e o encorajou a desenvolver métodos alternativos. Ao longo da última década ou assim, ele publicou uma série de artigos que se desviam do padrão mencionado.

A maioria dos métodos de última geração existentes para a análise de moedas antigas apresentam um desempenho bastante insatisfatório. Em seu estudo, Arandjelovic e sua colega Jessica Cooper começaram a desenvolver uma abordagem mais eficaz, que pode descrever uma moeda como um humano faria para outro humano.

"O trabalho com Jessica veio da minha percepção de que o campo tem tomado um ângulo muito errado ao tentar determinar se duas moedas são iguais, "Arandjelovic explicou." A razão para isso decorre do fato de que poucos tipos de moedas antigas (em relação às dezenas de milhares cunhadas durante os cinco séculos do Império Romano) que foram fotografadas são bastante pequenas, tornando a abordagem de pouca importância prática. Jessica e eu pensamos que teria sido muito melhor se o computador pudesse descrever a moeda, tanto quanto um humano faria com outro humano. "

"Estou bastante interessado em algoritmos que imitam a maneira como os humanos abordam as tarefas, "Cooper disse à TechXplore" Quando um especialista descreve uma moeda antiga, ela identifica conceitos retratados artisticamente da mesma maneira que nosso sistema o faz - reconhecendo formas na imagem. Ela também é capaz de apontar os elementos que está descrevendo:'há uma cornucópia', 'há um escudo' etc. Nosso sistema também faz isso. "

Descrições detalhadas são uma parte crucial da literatura numismática, assim, descobrir informações detalhadas sobre moedas usando técnicas de aprendizado de máquina pode ser muito útil. As descrições de moedas são atualmente escritas por especialistas humanos, o que pode ser bastante demorado. O novo método desenvolvido por Arandjelovic e Cooper pode ajudar a acelerar a análise de moedas antigas, automatizando uma parte significativa dele.

"Usamos o chamado Deep Learning, que usa um tipo específico de rede neural (estes são vagamente - muito vagamente na verdade - motivados por redes neurais que compreendem nossos cérebros) para aprender com muitos exemplos de moedas que contêm e que não contêm um elemento visual específico (por exemplo, escudo, lança, etc.), "Arandjelovic disse." É claro que é assim que os humanos aprendem na infância:por meio de exposições repetidas e feedback do supervisor (pai, professor, etc.). "

A maioria das abordagens existentes funciona combinando visualmente as moedas, usando ferramentas de reconhecimento de objetos. Contudo, o número de tipos de moedas antigas excede em muito os tipos de moedas que foram registradas por especialistas digitalmente ou em papel, que é a razão pela qual esses métodos geralmente funcionam mal.

Ao contrário das abordagens anteriores, o método desenvolvido por Arandjelovic e Cooper analisa o conteúdo semântico das moedas. Em primeiro lugar, os pesquisadores usaram a entrada multimodal do mundo real para extrair e associar conceitos semânticos com as imagens de moeda corretas. Subseqüentemente, eles treinaram uma rede neural convolucional (CNN) no surgimento desses conceitos.

“Nosso resultado mais importante é a prova de conceito, que podemos razoavelmente esperar marcar um ponto de viragem na direção do campo, "Disse Arandjelovic." Já temos muitas ideias novas sobre como melhorar o que fizemos até agora, e espero que outros pesquisadores se sintam inspirados a apresentar ideias diferentes que se baseiem em nossa contribuição também. "

Os pesquisadores avaliaram seu método no maior conjunto de dados existente de moedas antigas, que inclui imagens de moedas extraídas de 100, 000 lotes de leilão. Seus testes produziram resultados altamente promissores, com seu algoritmo fazendo associações corretas e identificando com precisão padrões semânticos em moedas antigas.

"Acho que nossos dados são realmente interessantes porque são desafiadores - há muito desequilíbrio de classes, muito barulho, e as imagens são rotuladas apenas no nível da imagem inteira, "Cooper disse." Portanto, durante o treinamento, o modelo é contado apenas se houver um determinado elemento na moeda, mas não onde está - ele deve aprender por si mesmo. Resolver problemas em conjuntos de dados difíceis como este é valioso não apenas por si só, mas também porque as abordagens desenvolvidas para um caso de uso podem frequentemente ser aplicadas com sucesso em uma variedade de domínios. "

A CNN usada por Arandjelovic e Cooper é vagamente baseada em uma renomada rede neural artificial chamada AlexNet, que foi originalmente usado para classificar fotografias do conjunto de dados ImageNet. De acordo com Cooper, seu estudo oferece um exemplo claro de como esse tipo de polinização cruzada pode ser muito valioso. Ela está atualmente trabalhando em um projeto que aplica técnicas de visão computacional semelhantes ao diagnóstico de câncer a partir de exames médicos.

“Temos vários planos para pesquisas futuras, "Arandjelovic disse." Em primeiro lugar, pretendemos continuar esta pesquisa diretamente, pois gostaríamos de ter um sistema que descreva literalmente a imagem de uma moeda, usando cheio, sentenças adequadas, exatamente como aquelas que você veria descrevendo moedas quando fossem vendidas em leilões. Também gostaríamos de desenvolver métodos que monitorem sites de leilão online para detectar moedas roubadas ou falsas. "

© 2019 Science X Network