A Deep-Learning Method Using Auto-encoder and Generative Adversarial Network for Anomaly Detection on Ancient Stone Stele Surfaces

要約

古代の石碑の表面の自然劣化と人為的損傷を正確に検出することは、予防的保存にとって不可欠です。
文化遺産を保存するための既存の方法では、精度、効率、適時性、コストのバランスが難しいため、この目標を完全に達成することはできません。
この論文では、オートエンコーダ (AE) と敵対的生成ネットワーク (GAN) を使用して、古代の石碑上の上記の緊急事態をリアルタイムで自動的に検出する深層学習方法を紹介します。
提案された方法は、大量の異常サンプルを必要とせず、予測不可能な異常の包括的な検出を可能にすることで、既存の方法の制限を克服します。
この方法には、モニタリング、データ取得、前処理、モデルの構築、後処理の段階が含まれます。
龍門石窟の石碑をケーススタディとして取り上げ、AE および GAN​​ アーキテクチャに基づく教師なし学習モデルが提案され、99.74\% の再構成精度で検証されました。
この方法の評価により、人工的に設計された 7 つの異常を適切に検出できることが明らかになり、誤警報のない精度と信頼性が実証されました。
この研究は、文化遺産の分野における深層学習の応用に対する新しいアイデアと可能性を提供します。

要約(オリジナル)

Accurate detection of natural deterioration and man-made damage on the surfaces of ancient stele in the first instance is essential for their preventive conservation. Existing methods for cultural heritage preservation are not able to achieve this goal perfectly due to the difficulty of balancing accuracy, efficiency, timeliness, and cost. This paper presents a deep-learning method to automatically detect above mentioned emergencies on ancient stone stele in real time, employing autoencoder (AE) and generative adversarial network (GAN). The proposed method overcomes the limitations of existing methods by requiring no extensive anomaly samples while enabling comprehensive detection of unpredictable anomalies. the method includes stages of monitoring, data acquisition, pre-processing, model structuring, and post-processing. Taking the Longmen Grottoes’ stone steles as a case study, an unsupervised learning model based on AE and GAN architectures is proposed and validated with a reconstruction accuracy of 99.74\%. The method’s evaluation revealed the proficient detection of seven artificially designed anomalies and demonstrated precision and reliability without false alarms. This research provides novel ideas and possibilities for the application of deep learning in the field of cultural heritage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google