Research on Random Forest-based Pattern Recognition Method for Conservation of Cultural Heritage of Mural Paintings in Tomb Chambers
Notice bibliographique
Résumé
The development of digital technology has made the use of machine learning algorithms to protect cultural heritage has become a trend.In this paper, based on the random forest algorithm, the conservation model of tomb mural cultural heritage is recognized.The mural paintings in the tomb of Prince Zhanghuai are used as the data source to construct the tomb mural painting dataset, and the images in the dataset are processed, augmented and labeled.The features such as color, texture and shape in the mural images are extracted as one of the input information of the cultural heritage protection model of the tomb murals.Based on the random forest algorithm, a pattern recognition model for the protection of cultural heritage of tomb frescoes is constructed, and the feature vectors obtained from the feature extraction are used to calculate the split points of the decision tree.The classi ication results of multiple decision trees are weighted and averaged to obtain the inal recognition results.The recognition accuracies of this paper's model on the training set, test set and validation set are 99.45%,95.46% and 92.58%, respectively.This is a signi icant improvement over other existing algorithms.Meanwhile, the algorithm consumes signi icantly less time than the ResNet18 deep residual network model before and after data enhancement, and is able to ef iciently accomplish the task of recognizing the protection of cultural heritage of tomb chamber murals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».