Minska inverkan av vilseledande egenskaper med kontrastiv inlärning vid igenkänning av krukskärvor

Varför trasiga krukor är viktiga för modern vetenskap

Vid första anblick kan högar av trasig keramik från en 7 000 år gammal by i södra Kina kännas långt från dagens artificiella intelligens. Ändå är dessa fragment en nyckel till att förstå hur neolitiska människor levde — och de blottlägger också en dold svaghet i dagens bildigenkänningssystem. Denna studie använder avancerad maskininlärning för att sortera antika Hemudu-krukskärvor efter typ, samtidigt som den tar itu med ett problem som påverkar många AI-system: tendensen att fästa sig vid missvisande visuella ”genvägar” i stället för de verkligt meningsfulla ledtrådarna.

Forntida kärl och deras dolda berättelser

Utgrävningsplatsen Hemudu har gett omkring 400 000 keramiska fragment, en skattkammare för att rekonstruera vardagsliv, teknik och handel i neolitisk södra Kina. Två huvudtyper av keramik dominerar fynden. Sandförstärkt keramik är fylld med sand och grus, vilket gör den tät, hård och värmetålig. Träkolsförstärkt keramik blandar in bränt växtmaterial, vilket lämnar små porer och askliknande spår som gör kärlen lättare och jämnare. Arkeologer klassificerar dessa typer främst efter ytans textur och materialuppsättning, inte efter den oregelbundna konturen hos varje brutet stycke. Att automatisera denna klassificering skulle spara enorma mängder expertarbete, men bara om datorn fokuserar på samma ledtrådar som specialisterna litar på.

När AI lär sig fel sak

Forskarna byggde en noggrant kontrollerad bildsamling på utgrävningsplatsen och fotograferade 1 864 skärvor i ett ljussäkert tält med konstant belysning och vita bakgrunder. Överraskande nog visade tidiga experiment att ett standard djupt neuralt nätverk kunde klassificera keramiken ganska väl med enbart fragmentens former, och uppnådde hög noggrannhet på binariserade bilder med enbart konturer. Däremot minskade noggrannheten när forskarna beskärde bort kanterna och behöll enbart den inre ytan och texturen. Det innebar att modellen upptäckt en enkel men opålitlig genväg: de specifika brutna formerna, som arkeologer ser som slumpmässiga brottsutfall, inte pålitliga kännetecken för keramiktyp. I termer av maskininlärning fungerade fragmentformen som en ”vilseledande egenskap” — ett mönster som korrelerar med etiketten i datasetet men som inte är verkligt kopplat till den underliggande kategorin.

Lära modellen att se förbi genvägen

För att styra systemet mot mer meningsfulla ledtrådar utformade teamet en träningsstrategi baserad på kontrastiv inlärning, en teknik som lär modellen vilka bilder som ska betraktas som ”lika” eller ”olika”. För varje krukbild skapade de en version som beskars slumpmässigt så att mycket av konturen försvann medan den inre ytan behölls. Båda bilderna passerades genom samma funktionsutvinningsnätverk, och träningsprocessen tvingade deras interna representationer att komma närmare varandra. Samtidigt pressades bilder från olika keramiska typer längre ifrån varandra i detta funktionsutrymme. En specialiserad ”Triplet-center”-förlustfunktion drogs ihop kluster av skärvor från samma klass och separerade klustren av sandförstärkt och träkolsförstärkt keramik, även när deras texturer såg mycket lika ut för blotta ögat.

Göra inlärningen stabilare och mer pålitlig

Efter att ha format detta funktionsutrymme frös forskarna det och tränade en enkel klassificerare ovanpå. För att undvika den välkända fallgropen överanpassning — att prestera mycket väl på träningsdata men svikta på nya prover — använde de en teknik kallad flooding. Istället för att driva träningsfelet hela vägen till noll håller flooding medvetet förlusten på en liten, icke-noll nivå, vilket uppmuntrar modellen att landa i ett brett, platt lösningsområde som tenderar att generalisera bättre. De testade också många vanliga dataaugmenteringstrick, såsom färgändringar och suddning. Förändringar som störde texturinformation skadade i regel prestandan, medan sådana som störde formen — som horisontella speglingar och noggrant avvägda slumpbeskärningar — hjälpte modellen att ignorera de missvisande konturledtrådarna.

Vad detta betyder för arkeologi och AI

Med denna kombination av kontrastiv träning, Triplet-center-förlust och flooding nådde systemet 97,3 % noggrannhet på Hemudu-keramikdatasetet, och slog flera välkända bildigenkänningsmodeller. Metoden förbättrade också prestanda på ett separat riktmärke där objekttyper förekommer i nya, obekanta bakgrunder, vilket tyder på att den kan hjälpa många visionssystem att stå emot vilseledande korrelationer. För arkeologer innebär sådana verktyg snabbare och mer konsekvent sortering av stora skärvsamlingar, vilket frigör experter att fokusera på tolkning i stället för repetitiv märkning. För en allmän läsare är slutsatsen tydlig: genom att tvinga AI att se förbi bekväma men opålitliga genvägar — som den taggiga konturen hos en trasig kruka — kan vi bygga system som ser världen på sätt som ligger närmare hur mänskliga experter förstår den.

Citering: Yu, X., Li, T., Song, Z. et al. Mitigating spurious features by contrastive learning in pottery sherd recognition. npj Herit. Sci. 14, 135 (2026). https://doi.org/10.1038/s40494-025-02170-3

Nyckelord: Hemudu-keramik, kontrastiv inlärning, vilseledande korrelationer, arkeologisk avbildning, bildklassificering