¡Bienvenidos a WoS! 🦋
En este episodio, exploramos el fascinante mundo de la Arqueología & IA!
La arqueología está siendo revolucionada por la IA, transformando cómo analizamos y preservamos el patrimonio histórico. Desde identificar detalles ocultos en murales hasta mapear sitios arqueológicos sin excavaciones, la IA nos acerca al pasado con precisión y eficiencia. Acompáñanos a descubrir 5 estudios científicos que revelan sus aplicaciones más prometedoras.
🔹 Estudio #01: “Using microscopic imaging and ensemble deep learning to classify the provenance of archaeological ceramics”
Resumen: Qian Wang y equipo de la Universidad de Cerámica Jing-De-Zhen (China), utilizan imágenes microscópicas no destructivas y aprendizaje profundo para clasificar cerámica arqueológica con precisión del 96%, destacando detalles como burbujas y cristales. Tres modelos de redes neuronales combinan sus resultados para optimizar la clasificación, transformando la arqueología y abriendo puertas en otras disciplinas científicas.
Fuente: https://www.nature.com/articles/s41598-024-83533-x
🔹 Estudio #02: “From remote sensing and machine learning to the history of the Silk Road: large scale material identification on wall paintings”
Resumen: La Dra. Sotiria Kogou y equipo de la Universidad de Nottingham Trent (Reino Unido), aplican técnicas de imagen espectral y aprendizaje automático para analizar las pinturas murales de las Cuevas de Mogao, en China, sin dañarlas. Usando el sistema PRISMS y otros algoritmos, identificaron materiales, pigmentos y detalles ocultos.
Fuente: https://www.nature.com/articles/s41598-020-76457-9
🔹 Estudio #03: “Bayesian regression versus machine learning for rapid age estimation of archaeological features identified with lidar at Angkor”
Resumen: El Dr. Christopher Carleton y equipo del Instituto Max Planck de Geo-antropología (Alemania), presentan un estudio en donde combinan LIDAR, regresión bayesiana y aprendizaje automático para estimar la edad de los templos de Angkor, Camboya, de manera no invasiva. Mientras el LIDAR mapea en 3D, la regresión bayesiana maneja incertidumbre y proporciona distribuciones temporales detalladas, superando las limitaciones de las excavaciones tradicionales.
Fuente: https://www.nature.com/articles/s41598-023-44875-0
🔹 Estudio #04: “Restoring and attributing ancient texts using deep neural networks”
Resumen: El Dr. Yannis Assael y equipo de DeepMind (Reino Unido), junto a universidades de EE.UU., Italia y Grecia, desarrollaron un modelo de IA llamado “Ithaca”, que transforma el estudio de inscripciones griegas antiguas al restaurarlas, atribuirlas geográficamente y datarlas cronológicamente. Basado en redes neuronales profundas y entrenado con 178.000 inscripciones, Ithaca supera métodos tradicionales.
Fuente: https://www.nature.com/articles/s41586-022-04448-z
🔹 Estudio #05: “Dadnet: dual-attention detection network for crack segmentation on tomb murals”
Resumen: El Dr. Meng Wu y equipo de la Universidad de Arquitectura y Tecnología de Xi’an (China), presentan el modelo “DADNet”, que utiliza redes neuronales profundas para detectar grietas en murales de tumbas de la dinastía Tang, superando las limitaciones de los métodos tradicionales. DADNet segmenta grietas con alta precisión incluso en fondos complejos, gracias a su módulo de atención dual y diseño optimizado. Este avance en IA mejora la conservación digital de murales antiguos, combinando precisión y eficiencia en tiempo real.
Fuente: https://www.nature.com/articles/s40494-024-01474-0
Tu tiempo y apoyo son esenciales para que sigamos explorando y compartiendo juntos el fascinante mundo de la ciencia, gracias! ✨
Hasta el próximo programa, un abrazo!
————————————————————————–
Chapters:
00:00 – Intro and theoretical framework
01:45 – Welcome by Javi
02:19 – Paper No. 1: “Using microscopic imaging and ensemble deep learning to classify the provenance of archaeological ceramics”
04:24 – Paper No. 2: “From remote sensing and machine learning to the history of the Silk Road: large scale material identification on wall paintings”
06:39 – Paper No. 3: “Bayesian regression versus machine learning for rapid age estimation of archaeological features identified with lidar at Angkor”
08:51 – Paper No. 4: “Restoring and attributing ancient texts using deep neural networks”
11:12 – Paper No. 5: “Dadnet: dual-attention detection network for crack segmentation on tomb murals”
13:34 – Outro, next program, and farewell
————————————————————————–
Conéctate con nosotros 😉
📢 WoS WhatsApp Channel (ESP): https://whatsapp.com/channel/0029VauXlRTJ3jutnO62dN
💼 LinkedIn: https://linkedin.com/in/jjaira
📸 Instagram: https://instagram.com/worksofscience
1 Comment
👇🏻 Chapters:
00:00 – Intro and theoretical framework
01:45 – Welcome by Javi
02:19 – Paper No. 1: “Using microscopic imaging and ensemble deep learning to classify the provenance of archaeological ceramics”
04:24 – Paper No. 2: “From remote sensing and machine learning to the history of the Silk Road: large scale material identification on wall paintings”
06:39 – Paper No. 3: “Bayesian regression versus machine learning for rapid age estimation of archaeological features identified with lidar at Angkor”
08:51 – Paper No. 4: “Restoring and attributing ancient texts using deep neural networks”
11:12 – Paper No. 5: “Dadnet: dual-attention detection network for crack segmentation on tomb murals”
13:34 – Outro, next program, and farewell