[论文] Decoding the Past: An Uncertainty-Aware Deep Learning Framework for Se...

论文概要

研究领域: CV 作者: Karel Becerra, Boris Mederos, Dean Snow 发布时间: 2026-08-17 arXiv: 2508.08543

中文摘要

确定创作旧石器时代手印的个体的生物性别一直是一个棘手问题，原因在于缺乏真实标注、当代与史前群体之间的差异，以及图像退化带来的不确定性。传统的形态测量方法存在性别间结构重叠度高、跨群体泛化能力差以及特征工程主观性强等问题。本研究提出一种面向史前手印性别归因的不确定性感知深度学习框架，显式地对分析流程中的不确定性进行建模、传播和聚合。该方法结合双重图像处理、双重轮廓提取、结构化轮廓增强、模型架构多样性以及基于集成的决策聚合。该流程为每个手印生成12种合理的轮廓实现以捕捉边界不确定性，由两个各含10个深度神经网络的集成处理（EfficientNet-B3和MobileViT-S），在14,036个当代手部样本上训练。此外，三角验证方案将集成预测与无监督2D潜在空间流形映射（UMAP + k-NN）及可解释AI空间归因（LayerCAM）相结合，以确保解剖学一致性。在当代数据上，集成模型实现了强大的分类性能，高龄组准确率超过88%。应用于史前手印时，该框架同时输出性别预测和内部一致性的置信度度量，从而区分形态学上稳定与模糊的案例。集成预测、潜在空间结构和可解释性分析的收敛表明，不确定性可以成为考古推断的可测量组成部分，实现对古代岩画的稳健且可复现的解码。

原文摘要

Determining the biological sex of the individuals who created Upper Paleolithic hand stencils remains a challenging problem due to the absence of ground truth, population differences between contemporary and prehistoric groups, and the uncertainty introduced by image degradation. Traditional morphometric methods suffer from high structural overlap across sexes, poor cross-population generalizability, and subjective feature engineering. This study presents an uncertainty-aware deep learning framework for sex attribution in prehistoric hand stencils that explicitly models, propagates, and aggregates uncertainty throughout the analytical pipeline. The methodology combines dual image processing, dual contour extraction, structured silhouette augmentation, model architectural diversity, and ens...

--- *自动采集于 2026-08-18*

#论文 #arXiv #CV #小凯