Bruk av dyp læring med offentlig LiDAR-data for å oppdage gravhauger fra vikingtiden i Norge

Abstract

Å oppdage gravhauger ved hjelp av dyp læring og LiDAR-data er et avgjørende forskningsproblem som har betydelig betydning for arkeologi. Dyplæringsteknikker kan gjøre arkeologisk forskning mer effektiv ved å finne spor etter menneskelig aktivitet. Hovedfokuset for dette studiet var å forbedre Faster R-CNN-modellens ytelse i å oppdage gravhauger fra vikingtiden i Norge ved å redusere antallet falske positive resultater. For å oppnå dette foreslo studien en modifisert tilnærming til forbehandling av dataene, med sikte på å automatisere prosessering av data som gi et mer omfattende og nøyaktig kommentert datasett. Studien evaluerte modellens ytelse på tvers av ulike geografiske steder og miljøer for å bestemme dens generaliseringsevne. Resultatene viste imidlertid at den modifiserte tilnærmingen ikke ga de ønskede forbedringene i modellens ytelse. Likevel gir studien verdifull innsikt i utfordringene med å utvikle dyplæringsmodeller og fremhever behovet for gjøre en nøye vurdering av ulike teknikker for å oppnå bedre ytelse. Oppgaven understreker viktigheten av replikasjonsstudier for å validere og verifisere tidligere eksperimentelle resultater og krever videre forskning og utforskning av alternative teknikker for å forbedre modellytelsen.

Detecting burial mounds using deep learning with LiDAR data is a crucial research problem that holds significant importance for the field of archaeology. Deep learning techniques can make archaeological research more efficient by helping locate traces of human activity. The main focus of this study was to improve the Faster R-CNN model's performance in detecting Viking-era burial mounds in Norway by reducing the false positive rate. To achieve this, the study proposed a modified approach to preprocessing the data, with the aim of automating the labeling task to generate a more extensive and accurate annotated dataset. The study evaluated the model's performance across various geographical locations and environments to determine its generalization ability. However, the results showed that the modified approach did not yield the desired improvements in the model's performance. Nonetheless, the study provides valuable insights into the challenges of developing deep learning models and highlights the need for careful consideration of different approaches and techniques to achieve better performance. The thesis emphasizes the importance of replication studies to validate and verify previous experimental results and calls for further research and exploration of alternative techniques to enhance model performance.