稀疏标签下考古学遗址发现的半监督伪标签
机器学习
2026-05-20 v3 人工智能
计算机视觉与模式识别
摘要
考古学预测建模通过结合已知位置与环境和地理变量来估计未发现遗址的可能位置，呈现出正-未标记（PU）学习挑战，其中确认的遗址稀少，大多数位置未标记而非真实为负。为克服此困难，我们提出非对称双向伪标签（DPL），一种从多波段遥感图像中直接学习稀疏阳性样本的端到端深度学习方法，无需手工特征工程或关于遗址缺失的假设，并在两个著名考古数据集上进行评估。在Sagalassos数据集上，DPL相对于LAMAP基线在F1分数上提升12%，在召回率上提升29%，而LAMAP在概率排序方面保持优势。标准监督基线在负样本不确定时会 catastrophic 失败；正样本训练会在处处预测中崩溃，确立经验下界。在Cyprus数据集上，纯PU设置下，SL会反转概率排序，而DPL能够恢复判别能力。DPL集成产生可解释的概率表面，支持调查计划，使从最小标签数据中有效发现遗址成为可能。
引用
@article{arxiv.2510.16814,
title = {Needles in the Landscape: Semi-Supervised Pseudolabeling for Archaeological Site Discovery under Label Scarcity},
author = {Simon Jaxy and Anton Theys and Patrick Willett and W. Chris Carleton and Ralf Vandam and Pieter Libin},
journal= {arXiv preprint arXiv:2510.16814},
year = {2026}
}