Hacia el reconocimiento de evidencias arqueológicas por medio de la aplicación de machine learning: una posible nueva herramienta en métodos de prospección

##plugins.themes.bootstrap3.article.main##

Javier Astorga
Luis Cornejo
Sebastián Arpón
Gianpiero Canessa

Resumen

Este es un trabajo de carácter exploratorio que pretende impulsar una metodología de prospección arqueológica basada en la visión computacional para clasificar fotografías de objetos arqueológicos de pequeño tamaño en superficie. Para lograr esto, se le enseñó al sistema a reconocer restos arqueológicos por medio de una muestra de fotografías de desechos líticos y fragmentos cerámicos hallados en superficie en campañas de prospección en el Norte Grande de Chile, para luego pedirle que analizara y reconociera otra muestra de los mismos tipos de objetos. Los resultados preliminares demuestran una tasa de error de solo el 6,6% en los ensayos desarrollados. Este trabajo abre la posibilidad de utilizar esta técnica en base a fotografías de baja altura tomadas con drones, lo que permitiría obtener resultados más precisos, menos costosos y en menor tiempo.

Descarga de archivos:

Descargas

La descarga de datos todavía no está disponible.
Palabras clave:
arqueología, machine learning, métodos, prospección

##plugins.themes.bootstrap3.article.details##

Cómo citar
Astorga, J., Cornejo, L., Arpón, S., & Canessa, G. (2022). Hacia el reconocimiento de evidencias arqueológicas por medio de la aplicación de machine learning: una posible nueva herramienta en métodos de prospección. Praxis Arqueológica, 3(1), 32-42. https://doi.org/10.53689/pa.v3i1.24
Sección
Artículos
Biografía del autor/a

Javier Astorga

Estudiante de Arqueología, Departamento de Antropología, Universidad Alberto Hurtado, j.astorga.ovando@gmail.com

Luis Cornejo

Departamento de Antropología, Universidad Alberto Hurtado, lcornejo@ahurtado.cl

Sebastián Arpón

Matrix Consulting, latinoamericana.sarpon@matrixconsulting.com

Gianpiero Canessa

Departamento SCI, division Optimization & System Theory, Kungliga Tekniska Högskolan,
canessa@kth.se