ARKEOLOJİ VE MÜZEOLOJİDE DERİN YAPAY ZEKA:
EVRENSEL PARÇA TANIMA VE EŞLEŞTİRME SİSTEM  MODELİ ÖNERİSİ

 

Yazan : Deniz KAYIKÇI 

1. GİRİŞ

Yapay zeka, insana özgü olan algılama, öğrenme, düşünme, yorumlama ve tahminde bulunma gibi özelliklerin yazılım, donanım ve teknoloji kullanılarak bilgisayar bilimlerince otomatik makinelere aktarılmasını hedefleyen bir alandır[1]. Bugüne kadar yapılan çalışmalar sonucunda bu alan üç kısma ayrılmıştır[2]. Birincisi dar yapay zekadır; Belirli bir alana odaklanır ve yalnızca o alan için çözüm üretir. İkincisi genel yapay zekadır; İnsansı özellikler göstermesi hedeflenen robotlarda uygulanır, görüntü tanıma, doğal dil işleme, ses tanıma, hareket etme, öğrenme, tahmin ve muhakeme gibi yapay zekanın tüm alt disiplinlerini başarıyla bütünleştiren çalışmaları kapsar [3]. Yakın gelecekte insan seviyesine ulaşacağı tahmin edilmektedir. Üçüncüsü ise süper yapay zekadır (ASI); uzak gelecekte insanın sahip olduğu tüm yeteneklere ve çok daha fazlasına sahip olacağı öngörülen yapay zeka türüdür[4].

Makine öğrenmesi regresyon, korelasyon gibi istatistiksel yöntemlerin büyük veri üzerinde uygulanmasıyla ortaya çıkan tahminlere dayalı karar alma süreçlerini ifade eder.

Makine öğrenmesi temel öğrenme yöntemlerine göre üç gruba ayrılır: [1]
1- Önceden işlenmiş temiz veriler üzerinden öğrenme ve tahminleme yapan makine öğrenmesi biçimine denetimli öğrenme (gözetimli öğrenme) adı verilmektedir[2].
2- Daha az veri ile ajanın kendi kendine öğrendiği makine öğrenmesi biçimine denetimsiz (gözetimsiz) öğrenme adı verilir gizli katmanları bulunan yapay sinir ağlarının kompleks halini kullanarak öğrenme ve tahminleme yapabilen ve “derin öğrenme” olarak adlandırılan model denetimsiz öğrenmenin bir koludur[2].
3- Pekiştirmeli Öğrenme (Takviyeli öğrenme, Reinforecement Learning), kontrol mühendisliği, yöneylem çalışmaları, oyunlar ve robotik alanlarında son yıllarda giderek yaygın kullanılmaya başlayan bir makine öğrenmesi metodudur. PÖ’de ajan bir veriseti veya bütün çevre olmadan deneyim yoluyla öğrenir. Öğrenme ödül sistemiyle oluşur. Bu ödül geri beslemedir. Amaç en yüksek ödülü (geri beslemeyi) elde edecek aksiyonu öğrenmektir[5].

Yapay zeka alanında yarım asırdan uzun süredir devam eden çalışmalar son yıllarda makine öğrenmesinin bir alt dalı olarak konumlandırılabilecek Derin öğrenme ile ivme kazanmıştır. Yapay sinir ağlarının derinleşmesi, gizli katmanlar eklenerek katman sayısının artması ve daha kompleks hale gelmesi “derin öğrenme” kavramını doğurmuştur. Bu kavram, giriş katmanı ile çıkış katmanı arasında bulunan gizli katmanların verileri donanımın gücüyle işleyerek öğrenmesi olarak açıklanabilir[6].

Özellikle son 20 yılda Hinton ve Schimhuber’in 50’li yıllardan beri bilinen sinir ağlarını derinleştirmesi ve kompleks hale getirmesi ile donanımda meydana gelen gelişmelerin yanısıra büyük verinin de yaygınlaşması sonucu çok katmanlı ağlar adı “derin öğrenme” olarak anılmaya başlanmış ve literatürde bu şekilde yer bulmuştur.

Dijital fotoğraf ve video görüntülerinin algoritmalar ile işlenmesi esasına dayanan görüntü işleme veya başka bir deyişle bilgisayar görüsü (Computer Vision), ses dalgalarının bir yazılımla çözümlenerek bilgisayar ortamına aktarılması yöntemi olan doğal dil işleme (Natural Language Procces – NLP), metin madenciliği (Text Mining) derin öğrenmenin uygulama alanları olup bu alanlar otonom araçlar, robotik, endüstri, askeri teknolojiler ve gündelik hayatımızda kullandığımız teknolojik aletlerdeki birçok uygulamada karşımıza çıkmaktadır.

Bir toplumun yaşam biçimi, yaratıcı birikimi ve geleneklerinin tamamına kültürel miras adı verilir. Kültürel miras sanat, edebiyat, mimari gibi pek çok alana yansır. Soyut ve somut kültürel miras olarak ikiye ayrılan kültürel miras çalışmalarında en önemli paylardan ikisi arkeoloji ve müzoloji bilimlerine aittir.

Arkeoloji, birkaç milyon yıl öncesine dayanan Prehistorik dönemlerden itibaren insan (Veya insanımsı; 6-7 milyon yıl önce Paleolitik (Eski Taş Devri) dönemde kırma, kesme, ezme veya mızrak ucu amaçlı ilk taştan eşyaları üretebilen ve primatların bir kolu olan erken australopithler[7].) izi bulunan tüm objeleri inceleyerek kültürel yapılarını ve yaşantılarını araştıran, belgeleyen ve buluntular ışığında yorumlamaya çalışan bilim dalıdır.

Müzeoloji veya müzebilim, müzelerin düzenlenmesi, eserlerin korunması ve sergilenmesi konularıyla ilgilenen bilim dalıdır. Müzeler toplumsal belleğin korunduğu ve teşhir edildiği yerler oldukları için teknolojiye hemen uyum sağlayan aktif kurumlar olarak öne çıkmaktadırlar[8].

Bu çalışmanın giriş bölümünde yapay zeka, derin öğrenme, arkeoloji ve müzeoloji kavramları özetlenmiştir. İkinci Bölümde Yapay Sinir Ağları(ANN) ve derin öğrenme kavramları hakkında tarihçelerinide kapsayan detaylı bir açıklama yapılmıştır. Üçüncü bölümde arkeoloji ve müzeoloji alanlarına değinilmiştir. Dördüncü bölümde YZ/derin öğrenme uygulamalarını içeren teknolojilerin kültürel miras, arkeoloji ve müzelerde güncel kullanımları aktarılmıştır. Sonuç kısmında genel bir değerlendirme yapılmıştır. Tartışma bölümünde YZ/DÖ içeren teknolojilerin arkeoloji ve müzecilikte daha başka kullanım alanlarının neler olabileceği konusu tartışmaya açılmıştır.

2. YAPAY SİNİR AĞLARI VE DERİN ÖĞRENME

2.1 Tarihçe

İnsanların otomatik makineler yapma tutkusu çok eskiye dayanır. İlk otomatların izlerine antik çağlarda rastlanmaktadır. Bilinen ilk otomat M.Ö 350-300’de Yunan Matematikçi Archytas tarafından yapılan, buhar gücü ile yükselen ve kanatlarını açan bir kuş düzeneğidir[9].

Arşimet, “Mekaniğin Unsurları” adlı yapıtında basit makinelerin işleyişi hakkında detaylı bilgi verir. Kuvvetlerin hangi koşullarda tam olarak denge oluşturacaklarını ortaya koyarak statik biliminin temellerini atar. Ayrıca yüzen cisimlerin yasalarının da kurucusudur[10]. İskenderiye Okulu’nun hakkında en çok bilgi sahibi olduğumuz Heron, M.S 1. yyda yaşamıştır. Mekanik ve askeri icatlar yapan Heron, eğlence ve iliz yonun yanı sıra, askeri ve matematiksel buluşlara da imza atmıştır. Bu buluşlar arasında yolları ölçmek için geliştirdiği odometre, açıları ölçmek için geliştirdiği dioptra ve karın yayı (belopaika) önemli yer tutmaktadır. ilk robotik otomatları içeren  İbn er-Rezzaz el-Cezeri tarafından 1203’te kaleme alınan Amid (Diyarbakır) prensi Nasireddin Mahmud bin Muhammed bin Karaarslan’ın isteği üzerine yazılan ve iki yılda tamamlanan: “El Cami Beyn el İlim vel Amel el Nafi fi Sınat el Hiyel” (Makine yapımında Yararlı Bilgiler ve Uygulamalar) adlı eserdir. Cezeri, en ince detaylarıyla çizdiği teknik tasarımlarını, toplam 50 tam ve ortalama 100’ünü taslak resimlerle tanıtır. Geliştirdiği kendi kedine denge kuran otomatik makineler, robotik ve otomat bilimlerinin öncüleridir[11].

19. yüzyılda dünya yeni bir dahi ile tanışıyordu. Charles Babbage ürettiği programlanabilen hesap makinelerine “Fark Makinesi” adını vermişti. Öyle ki polinom fonksiyonları hesaplamak ve tablo haline getirmek için tasarlanan bu makine ilk bilgisayar olarak kabul edilmektedir. 1837’de Daha karmaşık problemler için Joseph Marie Jacquard’ın 1805’de icat ettiği ve desenleri tanımak için delikli kartlar kullandığı dokuma tezgahından esinlenerek tasarladığı fakat tamamlayamadığı “Analitik makinesi” ise 1991’de Babbage’ın çizimlerine göre tamamlanmıştır ve bugün Londra Bilim Müzesinde sergilenmektedir[5].

1854’de George Boole tarafından yayınlanan “Mantığın Matematiksel Analizi” adlı eser matıksal hesaplamanın kalbidir ve modern bilgisayarların programlama temellerini atmıştır. Russel, Whitehead ve Alfred Tarski’nin çalışmaları yazılım tarihinde kilometre taşlarıdır[1].

İkinci Dünya Savaşı sırasında görevleri Alman ordusunun şifreli telsiz sistemi olan “Enigma” nın şifresini çözme görevi verilen Alan Turing’in bu iş için geliştirdiği “Turing Makinesi” ilk programlanabilen makine olarak nitelendirilir ve bilgisayarın atası sayılır. Savaşı Almanya’nın kaybetmesini sağlayan en önemli sebep bu makinedir. Turing, 1950’de yapay zeka kavramının temellerini ortaya koyduğu “Hesaplama makineleri ve zekâ” makalesini yayınladı ve 1951’de Kraliyet Akademisi’ne üye seçildi[12].

1956’da IBM’den Arthur Samuel dama oyuncuları bir taslak program yazdı. Amatör seviyede fakat güçlü bir öğrenme yeteneği olan bu oyun, bilgisayarların öğrenemeyeceği tezini çürüterek kısa zamanda yaratıcısı ile aynı seviyede oynar hale geldi. Bu oyun yazılımı yapay zekanın ortaya çıkışı olarak televizyonda gösterildi ve çok güçlü bir etki yarattı[5].

1957’de Rosenblatt yapay sinir ağlarının temelini oluşturan ve nöronlardan esinlenerek ortaya çıkan “perceptron” kavramını açıklamıştır[13].

Denetimli derin beslemeli çok katmanlı sinir ağları (perceptron) için ilk genel öğrenme algoritması Ivakhnenko ve Lapa tarafından 1965 ortaya konmuştur. Söz konusu çalışmada, her katmanda en iyi özellikler istatistiksel yöntemlerle seçilip bir sonraki katmana iletilmektedir. Ağlarını uçtan uca eğitmek için geri yayılım (backpropagation) kullanılmamış, önceki katmanlardan sonraki katmanlara en küçük kareler yöntemi kullanılmıştır[14].

1979 yılında Fukushima tarafından bulunan ve “Neokognitron” adı verilen mimari, omurgalıların sinir sisteminden esinlenilerek oluşturulmuştur. 1986’da David Rummelhart, Geoffrey E. Hinton ve Ronald J. William’ın tanıttıkları ve çıktıda oluşan hatayı ağırlıkların tümüne geri yayarak, ağırlık değişikliklerinin en iyi kümesini önceden hesaplama esasına dayanan “Geri Yayılım” tekniği çok katmanlı ağlarda o dönemin en önemli problemi olan birden fazla katmanın ağırlığını değiştirme sorununu çözüyordu[15]. 90 lı yılların başlarında Yann Le Cunn “LeNet” ağlarını kullanarak el yazısı ile yazılmış rakamları (MNIST) sınıflamak için kıvrımlı ağlar ile geri yayılımı birlikte kullanmıştır. 1995 yılında Hinton ve ekibi yüzlerce gizli katmandan oluşan bir ağın eğitiminin mümkün olduğunu göstermişlerdir. 1997’de, Hochreiter ve Schmidhuber’in ortaya attığı tekrarlayan sinir ağları (recurrent neural networks) için uzun kısa vadeli hafıza (long short-term memory) ağları ilk defa kullanılmıştır. Bu dönemlerde YSA yöntemleri maliyetlerinden dolayı kullanılmamış, destek vektör makineleri (support vector machine) gibi daha basit modeller, 1990’lı yıllardan 2000’lere kadar daha çok tercih edilmiştir. YSA bağlamında ilk kez “Derin Öğrenme” (deep learning) ifadesi 2000 yılında Igor Aizenberg ve arkadaşları tarafından tanıtılmıştır. [16].

LeCun ve ekibi, 98’de rakamları tanımak ve sınıflandırmak amacıyla tasarladıkları LeNet5’in sağladığı başarıyla evrişimli sinir ağlarının tekrar gündeme gelmesini sağlamışlardır.[17]

2009’da Li ve ekibi, 167 ülkeden yaklaşık 50 bin online gönüllü ile birlikte desteği ile İmageNet’i oluşturmuşlardır. İmageNet o zamana kadar yapılan en büyük görüntü veri tabanıydı. Büyük veriye ulaşmanın mümkün kılınmasının ardından, 2010’da ILSVRC (ImageNet Large Scale Visual Recognition Competition) yarışması düzenlenmeye başlanmış ve aynı zamanda GPU hızlarındaki artışla da ön eğitimsiz derin ağlar oluşturulması mümkün hale gelmiştir. 2012 yılında ezberlemeyi (overfitting) azaltmak için eğitimin her iterasyonunda gizli katmanlardaki düğümlerin her biri 0,5 olasılıkla ağdan atılır, bu sayede mevcut gizli bir birim diğer gizli birimleri bağlamaz ve ezberleme durumu azaltılır. “Dropout” adı verilen bu normalleştirme tekniğini kullanan Hinton, Krizhevsky ve Sutskever, bu yöntemle ILSVRC 2012 Imagenet yarışmasında büyük bir başarı elde etmişlerdir. Bu başarıyla birlikte büyük veri ekseninde derin öğrenme yeniden etkili bir YZ yöntemi olarak popülerlik kazanmıştır[18].

2014 yılında Szegedy ve ekibi, çok daha derin katmanlara sahip bir model olan GoogLeNet ile daha başarılı sonuçlar elde etmiştir. Aynı yıl Goodfellow çekişmeli üretici ağlar (Generative Adriversal Network/ GAN) ile daha az veri başarılı sonuçlar ortaya çıkarabilmiştir[19].

2017’de google deep mind tarafından geliştirilen alphago yazılımı bu oyunda dünya şampiyonu olan bir insanı yenerek büyük ses getirmiştir. Aynı yılın sonlarında Hinton ve ekibi dinamik yönlendirme algoritması ile kapsül ağı modelini geliştirerek evrişimli sinir ağlarına yeni bir bakış kazandırmıştır[20].

2.2 Yapay Sinir Ağları ve Derin Öğrenme kavramsal ilişkileri

Canlı sinir sisteminden esinlenerek ortaya konulan yapay sinir ağları, bu sistemin matematiksel modellemesi esasına dayanır. Burada amaç kendi kendine karar alabilen, organize olabilen, eğitilebilen bir yapı ortaya koyabilmektir. Makinelerin bu sistemle insansı bir öğrenme, karar alma ve düşünebilme yeteneğine sahip olması beklenmektedir[16].

Dentritler sisteme giriş aksonlar ise çıkış terminalleridir. Sinapslar nöronların birbirlerine ve diğer kas ve hücrelere bağlantı kurduğu noktalardır. Çekirdekte üretilen elektrik aksondan geçerek kimyasal taşıyıcı sitoplazma ile birlikte snapslara iletilir.Polarize sitoplazma -85mV  değerinde elektrik enerjisi taşır. Bu değer giderek düşer ve sitoplazma potansiyel değeri -40mV (Na+ iç) seviyesine vardığında iletim (+) değerli bir akım oluşturur. Potansiyel -90mV (K+ dış) değerine ulaştığında ise bastırma (-) akımına yol açar. Sonuç olarak hücre uyarılması için belli bir eşik değerinin üzerinde akım olmassa sinirde iletim durur[2]

Yapay sinir ağının en küçük parçası olarak bilinen perseptron (algılayıcı), aşağıdaki gibi doğrusal bir fonksiyonla ifade edilmektedir :

? = ? x ? + b (19)

Makine öğrenmesinin bir alt dalı olarak, yapay sinir ağlarının gizli katmanlarla daha kompleks hale gelmesiyle ortaya çıkan derin öğrenme son yıllarda oldukça popüler hale gelmiş, özellikle paralel işlem yapma özelliğine sahip gömülü sistemleri içeren grafik kartları olan “GPU” ların ortaya çıkmasıyla birlikte doğal dil işleme, görüntü işleme, metin madenciliği, veri işleme gibi alanlarda önemli ilerlemelere zemin hazırlamıştır. Derin öğrenme büyük ve karmaşık sistemlere öğrenme yeteneği kazandırılması noktasında çok etkili bir yöntemdir. Derin öğrenme, eğitilebilmek için doğrusal olmayan işlem birimi katmanları kullanır. Her katman kendisinden sonra gelen katmana aldığı çıktıyı girdi olarak aktarır. Her katmanda daha da mükemmelleşen öğrenme bu şekilde ortaya çıkar. Algoritmalar denetimli (sınıflandırma gibi) veya denetimsiz (desen analizi gibi) olabilir[22].

f = W.x + b lineer fonksiyonun hesaplanması; girdi X değeri genelde bir vektörü temsil ettiği için, x (girdi vektörü) ve W(ağırlık vektörü) arasında bir matris çarpımı yapılarak, çıkan sonucun bias (b) değeri ile toplanması şeklinde yapılır. Bu lineer skor fonksiyonu, bizim için problemi çözen (fit eden) doğrunun fonksiyonudur. Yani elimizdeki x girdilerini ve bu girdilere karşılık gelen y değerlerini kullanarak oluşturacağımız doğru, uygun lineer çözüm doğrusu olacaktır. Optimizasyon, y = W.x+b şeklinde bir fonksiyon var ise, en uygun W ve b değerlerine bağlıdır. Çünkü x değeri fonksiyonun girdisidir ve bağımsız değişkendir. Ancak W ve b parametreleri değiştirilebilir. Bu nedenle w ve b değerleri değiştirilerek, problemi çözecek en uygun hale getirilmeye çalışılır. Problemi çözecek birden fazla w ve b (ikilileri) değer kümeleri olabilir. Çok katmanlı yapay sinir ağlarında yani derin öğrenme uygulamalarında temel amaç en iyi sonucu verebilecek w ve b parametre değerlerini atayabilmektir. YSA’ların en küçük elemanı olan perceptronlar doğrusal fonksiyonlardır ve çıktıları doğrusaldır. Ancak çok katmanlı yapay sinir ağlarında skor fonksiyonun çıktısı aktivasyon fonksiyonları vasıtasıyla doğrusal olmayan hale getirilmektedir. Loss fonksiyonu ise temelde modelin yaptığı tahminin, gerçek değerden (ground truth) ne kadar farklı olduğunu hesaplamaktadır. Bu nedenle iyi tahmin eden bir model oluşturulamadıysa, gerçek değer (ground turth) ile tahmin edilen değer arasındaki fark yüksek olacak dolayısıyla loss değeri yüksek olacak, iyi bir modele sahipsek loss değeri az olacaktır. Birebir aynı olduğu durumda loss 0 olacaktır. İyi bir modelden beklentimiz 0’a yakın loss değerine sahip olmasıdır[5].

Nöronların birbirleriyle ilişkisi olmadığı halde aktivasyon değerleri nedeniyle birbirlerini etkilerler. Bir katmanın çıktısı, kendisinden sonraki katmanın girdisidir. Veri her katmanda optimum seviyeye yaklaşır ve çıkış katmanında optimum sonuç alınır. Saklı katman sayısı ne kadar fazla ise sonuç o kadar fit olur. Bir yapay sinir ağı modeli tasarlanırken ağırlık vektörlerinin (w) başlangıç değerlerinin nasıl belirlenmesi gerektiği önemlidir. W değeri rastgele atanabileceği gibi geçmişte eğitilmiş bir modelin ağırlıkları da başlangıç ağırlıkları olarak tanımlanabilir. Ancak bu değerler atanırken (+) ya da (-) değerlerden rastgele dağılımlı olarak belirlenmelidir[6].

2.2.1 Konvolüsyonel (Evrişimli) Sinir Ağları (CNN)

Özel bir tür çok katmanlı algılayıcı (Multi Layer Perceptron-MLP) olan Evrişimli sinir ağları (CNN) 1988’de Lecun tarafından bulunan LeNet isimli mimaridir. CNN algoritması görme sisteminin matematiksel modellemesidir. Buradaki matematiksel konvolüsyon işlemi uyarılan bir nöronun verdiği cevap gibi düşünülebilir. En başarılı sonuçları bilgisayarlı görü alanında veren CNN, nesne tanıma, segmentasyon, doğal dil işleme, cümle analizi, ses analizi, biyomedikal ve tahminleme alanlarında sıkça kullanılır. Literatürde bulunan güncel evrişimli sinir ağı mimarileri LeNet, AlexNet, VGG-16, ResNet, GoogLenettir. Görüntüde yer alan tüm piksellerin işlenmesi öncül katmanlarda kenarlardaki özniteliklerin algılanması ile başlar ve derin katmanlarda daha kompleks öznitelikler elde edilir. Filtre görüntü üzerinde adım uzunluğuna bağlı olarak gezdirilirken her adımda çakışan değerler çarpılmakta ve tüm değerlerin toplamı çıkış matrisinin ilgili elemanı olarak kaydedilmektedir. Filtrenin simetriğinin alınmadığı durumda yapılan işleme ise korelasyon (cross-corelation) denilmektedir. Giriş görüntüsüne uygulanan filtre de aslında geri yayılımla güncellenen ağırlıklar matrisidir. Çıkış matrisine aktivasyon fonksiyonu uygulanmadan önce skaler bir b (bias) değeri eklenerek sonuçlandırılır[6].

2.2.2 Tekrarlayan (Simple Recurrent) Sinir Ağları (RNN)

Cümle yapılarının analizinde kullanılan bu mimari, Jeff Elman tarafından ortaya atılmıştır. Tekrarlayan Sinir Ağı, birimler arasındaki bağlantıların bir döngüyle sağlandığı modeldir. Özellikle doğal dil işleme alanında dizi işleme özelliğinden dolayı yaygın olarak kullanılır. RNN yapısında farklı olan geri yayılımında kullanılmasıdır. Ağ bu sayede önceki bilgilere bağlı bir çıkış üretmektedir. Fakat en büyük handikapı kapsamlı veri etiklendiğinde doğru bilgiyi seçebilmesi zor olmaktadır. RNN’de temel prensip bilgileri sıralı kullanmaktır. Her girdi ve çıktı bağımsız varsayılır. “Tekrarlayan” ağlar adını almasının sebebi bir dizide her öğeyi önceki çıktılara göre değerlendirmesidir [24]

2.2.3 Uzun ve Kısa Hafıza Ağları (LSTM)

Tekrarlayan sinir ağlarının bazen modele uygun bilgiyi seçememe problemi nedeniyle Hochreiter 1997 yılında, uzun kısa vadeli bellek ağları (Long Short Term Memory-LSTM) adlı çalışmasını ortaya koymuştur. Bu modelde giriş katmanı ile çıkış katmanı arasında, tekrarlayan ağlarda bulunmayan “unutma katmanı” adlı katman yer almaktadır. Sabit hata döngüsü, çıkış aktivasyon fonksiyonu ve gözetleme (peephole) bağlantıları ile LSTM son yıllarda çok kullanılan ağlardan biridir. Son yıllarda özyinelemeli sinir ağları video görüntülerinde nesne ve insan takibi konularında da kullanılmakla birlikte en yeni ağlardan üretici çekişmeli ağlar (Generative Adriversal Networks-GANs) ile birlikte kullanımı da literatürde yerini almıştır [25].

2.2.4 Boltzman Makinaları

Boltzmann Makinesi, G. E. Hinton, T. J. Sejnowski ve D. H. Ackley tarafından 1983 yılında tanıtılmıştır. Topolojik olarak Boltzmann Makinesi ikili rastgele birimlerden oluşan yönsüz bir ağdır. Sapmalar ve ağırlıklar, ikili birimleri üzerine bir dağıtım belirlenebilen bir modelin parametreleridirler. Sınırlı Boltzman Makinaları (Harmonium) ve Derin Boltzman Makinaları olmak üzere 2 alt alanı daha vardır [26].

2.2.6 Derin İnanç Ağları

Yine Derin Öğrenme’nin yaşayan efsanesi Geoffrey Hinton tarafından tanıtılan Derin inanç ağları (Deep Belief Networks – DBN), önceki bölümde verilen RBM’lerin çok fazla sayıda olanı olarak tanımlanmaktadır. Her RBM katmanı hem önceki hem de sonraki katmanlarla
bağlıdır. Fakat katman düğümlerinin birbirleriyle yatayda bağlantıları yoktur. En son katman olarak bir softmax katmanı ile sınıflandırma veya denetimsiz bir öğrenme için kümeleme yeteneğine sahiptir[2].

2.2.7 Derin Oto-Kodlayıcılar (Auto Encoders)

Yine Hinton tarafından 80’li yıllarda tanıtılan Derin Oto Kodlayıcıların amacı girdiye en fazla benzeyen çıktıyı üretebilmektir. Bunu yaparken veriye ait önemli yapısal bilgileri içeren fonksiyonu bulur. Giriş katmanı ile çıkış katmanı arasında gizli katman bulunmaktadır. Modelin performansını arttırmak için gizli katmandaki nöron sayısı arttırılabilir. Gizli katmandaki ara katmanlar önceki katmandan veriyi alıp nöronlardaki aktivasyon fonksiyonlarından (doğrusal veya doğrusal olmayan nöron üzerindeki fonksiyon) geçirip sonraki katmana veriyi ileten yapılardır[41].

2.2.8 Kapsül Ağlar

Geoffrey Hinton’un 2017’nin sonlarında tanıttığı bu yeni ve etkili bir model olan kapsül ağları, nöronların oluşturduğu kapsüllerin görüntü tanımada kullanılmasını içerir. ancak bu evrişimsel sinir ağlarından farklı olarak objelerin sadece şekilleri değil konumları, duruş yön ve açılarıyla da analiz eder ve alışılmışın dışında bir durum var ise tespit edebilir. Örneğin burun yüz ve göz içeren bir görüntü verildiğinden uzuvların yeri değişmiş olursa evrişimli sinir ağları bunu yüz olarak tanımlarken, kapsül ağlar yüz unsurlarının bulunduğunu fakat yerlerinin normalden farklı olduğunu algılar. Kapsül Ağı derin öğrenme konusunda umut verici bir kavramdır, ancak gerçek potansiyeli şu ana kadar tam olarak gerçekleştirilememiştir, bu da birçok temel kıyaslama veri setinde karmaşık veriler içeren alt performans sağlar. Konvolüsyonel Sinir Ağlarının (CNN’ler) elde ettiği başarıdan daha derinlere inerek sezgiyi kullanabilir. Yeni bir 3D evrişim tabanlı dinamik yönlendirme algoritması kullanan derin bir kapsül ağ mimarisi.Dahası, yeniden yapılanma kaybının normalleştirme terimi olarak kullanımını güçlendiren sınıftan bağımsız bir kod çözücü ağı öneriyoruz. Bu kod çözücünün ilginç bir özelliğine yol açar, bu da örnekleme parametreleriyle temsil edilen görüntülerin fiziksel özelliklerini tanımlamamızı ve kontrol etmemizi sağlar. Kapsül ağlarında girdinin vektör olduğu squash (ezme) fonksiyonları kullanılır[27,28]

2.2.9 Genel Çekişmeli Ağlar (GAN)

2014 yılında tanıtılan Genel Çekişmeli Ağlar, ünlü matematikçi John Nash’in oyun teorisi temel alınarak birbiriyle zıt çalışarak öğrenen ve üreten iki ağdan oluşan bir modeldir. Ağlardan biri generatör, diğeri discriminatör olarak adlandırılır. Generatörün ürettiği sahte görüntüleri tanımaya çalışan discriminatör her aşamada gerçeğe çok yakın fakat gerçekte hiç olmayan görüntüler ortaya çıkarıyorlar. Generatör, discriminatörü kandırabilmek için sürekli yeni sahte görüntüler oluştururken, discriminatör ise sürekli öğrenerek aldanmıyor [19].

3. ARKEOLOJİ VE MÜZEOLOJİ

3.1 Arkeoloji

Kültürel miras çalışmalarında, herhangi bir tarihi objenin araştırma, ortaya çıkarma, tanımlama ve yorumlama gibi yönleri nedeniyle çok önemli yeri olan Arkeoloji, Antik Yunanca eski anlamına gelen “Arkhaios” ve bilim anlamına gelen “Logos” kelimelerinin birleşmesiyle ortaya çıkmış bir kelimedir. Arkeoloji, geçmişte insan eliyle yapılmış her türlü malzemeyi araştırır, bulur, belgeler, inceler ve yorumlar. Eskiden yaşamış kültürleri anlamaya çalışır. Arkeolojinin tarihsel araştırma alt sınırı birkaç milyon yıl öncesinden başlar ve günümüzden 100 yıl öncesini üst sınır olarak kabul eder. İlk alet yapabilen insanımsılara hominoid denmektedir. İzlerine Kenya ve Etiyopya bölgesinde rastlanmış ve yaklaşık 7 milyon yıl önceye tarihlenebilen hominoid türleri keşfedilmiştir[7].

Arkeoloji, Tarihin ve Antropolojinin bir alanı olarak tanımlanabileceği gibi, kendi başına bir bilim dalıdır. Arkeoloji üç ana araştırma dönemine ayrılmıştır:
1. Prehistorya (Tarih Öncesi Arkeolojisi): Hominoidlerden olan australopithecuslardan itibaren (yaklaşık günümüzden 7 milyon yıl önce) başlayıp neolitik çağa kadar olan dönemi araştıran arkeoloji disiplinidir.
2. Protohistorya (Ön Asya Arkeolojisi): İnsanın avcı-toplayıcı yaşamdan ilk tarım uygulamalarına geçmeye başladığı Alt Epioaleolitik dönemden (M.ö 12-13 bin) Yunan (Hellen) Medeniyetinin ortaya çıkmaya başladığı M.ö 13 ve 14. Yüzyıllara kadar olan dönemi araştırır.
3. Klasik Arkeoloji: M.Ö. 1200 yıllarında Girit Minos Uygarlığı ile Kıta Yunanistan’da filizlenen Yunan (Hellen) Uygarlığından başlayıp Roma’nın ikiye bölünmesine (M.s 395) kadar olan zaman dilimini inceler.

Son yıllarda farklı sınıflandırmalar ortaya çıkmıştır çünkü İnsanlığın geçirdiği süreçler farklı coğrafyalarda farklı zaman dilimlerinde değişiklikler göstermiştir. Ayrıca yukarıdaki sınıflandırma yapılırken, Çin, Hindistan, Latin Amerika ve dünyanın diğer bölgelerinde yeterince çalışılmamış, yalnızca Ortadoğu ve Ege Havzası’na göre sınıflandırma yapılmıştır. Arkeoloji’nin geçmişi anlamaya çalışmada kullandığı en önemli yöntemlerden biri höyüklerde katman katman üst üste yığılan kültür dolgularıdır. En alttaki en eskisi olan bu
tabakalaşmaya stratigrafi adı verilmektedir[7]. Arkeoloji biliminin yöntemleri şunlardır: Kaynak araştırması, literatür taraması, hava fotoğrafı ve uzaktan algılama, kazı, laboratuar çalışmalarıdır[47].

Arkeolojik çalışmalar geliştikçe zaman içinde kimyasal, biyolojik ve fiziksel ve organik buluntuların işlenmesini kapsayan arkeometrinin yanısıra jeoarkeoloji, etno arkeoloji, arkeozooloji, arkeobaotanik, arkeoastronomi, arkeogenetik, endüstriyel arkeoloji, kentsel arkeoloji, çevresel arkeoloji, savaş arkeolojisi, ekolojik arkeoloji, toplumsal arkeoloji, bilişsel arkeoloji gibi farklı arkeoloji alt disiplinleri doğurmuştur. Bu disiplinler laboratuar ortamında arkeoloji’nin doğa bilimlerinden faydalanmasına olanak sağlamıştır[30].

Özellikle tarihlendirmede kullanılan deniz ve buzul karotları (kabukluları) analizi, polen tarihlemesi, ağaç halkası, radyokarbon (ve bayes analizi), potasyum-argon/argon-argon, uranyum serileri, optik ve termolüminesans, fizyon izi, elektron spin rezonans, amino asit rasemizasyonu, arkeomanyetik ve jeomanyetik terslenme gibi kimyasal, fiziksel ve biyolojik yöntemler, arkeolojinin doğa bilimleri ile iç içe olduğunu gözler önüne sermektedir[31].

3.2 Müzeoloji

Müzeoloji veya Müzebilim, müzelerin yönetimi, envanterlerin korunması, sergilenmesi ve eğitimlerin düzenlenmesi konularıyla ilgilenen bilim dalıdır. Müzeoloji kültürel miras çalışmalarında özellikle koruma, sergileme ve eğitim alanlarında çok önemli bir noktada durur. ICOM (İnternational Council of Museums) Müzenin tanımını 21-22 Temmuz 2019’da Paris’te düzenlenen 139. ICOM Yönetim Kurulu oturumunda güncellemiş ve 9 Eylül 2019’da Kyoto’da resmi tüzüğüne şu şekilde eklemiştir[32]: “Müzeler, geçmiş ve gelecek hakkında kritik diyaloglar için demokratikleştirici, kapsayıcı ve çok sesli alanlardır. Günümüzün çatışmalarını ve zorluklarını kabul edip ele alarak, topluma olan güvende eserler ve örnekler tutar, gelecek nesiller için farklı hatıraları güvence altına alır ve eşit haklar sağlar ve tüm insanlar için mirasa eşit erişim sağlar. Müzeler kâr amaçlı değildir. Katılımcıdır, saydamdır ve insan onuruna ve sosyal adalete, küresel eşitlik ve küresel refah düzeyine katkıda bulunmayı amaçlayan, dünyadaki anlayışları toplamak, muhafaza etmek, araştırmak, yorumlamak, sergilemek ve geliştirmek için aktif ortaklıklar ile çalışırlar.” Son on yılda müzeler, önemli bir toplumsal dönüşüm geçirmişlerdir. Bunun üzerine 1974’deki ICOM müze tanımının artık zorlukları karşılamadığından, vizyon ve sorumlulukları yansıtamayacak gibi göründüğü noktalar radikal bir şekilde ortaya çıkmıştır. Bu nedenle yukarıdaki daha güncel tanımın oluşturulmasına karar verilmiştir.

Müzeler, kitle kültürünün gözde iletişim ve eğitim araçlarından biri haline gelmiştir. Yeni sergileme biçimleri, müzelerin artık eski eserlerin bir bekçisi olmadığını ortaya koymaktadır. Sadece belli bir gruba veya zümreye değil, toplumun tüm kesimlerine açık bir kurum haline gelen müze, sıkıcı ve köhne mekânlardan ziyade, bir eğitim kurumuna dönüşmüştür[8]. Kültür endüstrisinin en önemli temsilcilerinden olan müzelerdeki bu kabuk değişimi, özel sektörün kullandığı işletme ve pazarlama stratejileri ve teknolojinin müzelere adaptasyonu ile mümkün olmuştur[33].

Kültür tüketimi yapmayı seven ve kaliteli zaman geçirmek isteyen kişileri müzelere çeken bu stratejiler artık ülkemizde de etkin olmaya başlamıştır. Artık bizim müzelerimizin de arşiv ve koleksiyonların toplumun ilgisini çekmeye başlamış ve 2000’li yıllarda ziyaretçi sayılarında belirgin artışlar görülmüştür[34].

4. ARKEOLOJİ VE MÜZEOLOJİDE YAPAY ZEKA / DERİN ÖĞRENME UYGULAMALARINA ÖRNEKLER

Yapay Zeka uygulamalarının arkeoloji ve müzeoloji’de kullanımıyla ilgili ilk çalışmalardan birisi Barselona Otonomi Üniversitesinden Juan Barcelo tarafından yapılmıştır. Bu makalede arkeologların yaptığı gibi aynı işleri yeniden yapabilen bilgisayar programlarının teorik ve pratik yönleri gözden geçirilmiştir. Bir makinenin veya bilgisayar programının kültürel mirası analiz edip açıklayabilmesinin mümkün olabilmesini tartışmaya açmaktadır. Bu yaklaşıma göre büyük bir arkeolojik dataset içinden içinden makine öğrenmesi yöntemleri bugüne kadar yapılmamış bazı çıkarımlar yapılabilir. Arkeolojik alanda İnsitu durumudaki buluntular zarar görmeden analiz edilebilir. Bunları yapabilmek için uygulanacak Yapay Zeka yöntemlerin uzman sistemler ve görüntü işleme uygulamalarının doğru olacağını aktarmaktadır[41].

Arkeolojide YZ/DÖ en fazla coğrafi bilgi sistemlerinin ve uzaktan algılama yöntemlerinin arkeolojik alanlarda uygulanması noktasında karşımıza çıkar. Artık kültürel mirasın dijitale aktarılmasında kullanılan 3D modelleme ve nokta bulutu uygulama ve yazılımları bilgisayarlı görü ve görüntü işleme alanlarıyla doğrudan alakalıdır. Bu çalışmalarda ortaya çıkan devasa görüntü verileri FAST, SGM, HARRİS, SURF ve RANSAC gibi “görüntü eşleştirme” algoritmaları ile işlenmekte ve analiz edilmektedir[40]. HARRİS (Harris and Stephans Detector) ve FAST (Features from accelerated segment Test) piksel değerlerindeki değişimleri inceleyerek nokta etrafındaki köşe çıkarımında; SURF (Speed up robust feature) Hession Matrisi yardımıyla determinantın maks. olduğu noktaları bulmada; RANSAC (Random sample consensus) gerçek eşlenik noktalardan epipolar çizgiler üzerinde bulunanları belirleyerek hataları düzeltir. Dataset için istenen hata eşik değeri, güven aralığı ve iterasyon oranına göre verileri işler. SGM (Semi global matching) ise her pikseli işler[35].

CBS, katmanlar oluşturulmasına izin vererek verilerin düzenlenmesi ve görselleştirilmesini sağlar. Burada amaç istatistikleri ve verileri karşılaştırmalı ve analitik olarak görebilmektir. Belirli verileri vurgulamak veya şekil dosyalarına ekleyebilmek mümkündür. Kullanıcılar veri katmanları arasındaki kalıpları gözlemleme olanağına sahiptir. İstatistiksel veriler ayrıca, arkeolojik çalışmalarda öngörü ve tahminleme yapılabilmesini sağlar[36].

Son yıllarda Uzaktan Algılama alanında lensler ve sensörler bağlamında gelişen yeni teknolojiler yeni uygulama alanları ortaya çıkarmıştır. Çok yüksek çözünürlükte ve çeşitli açılardan elde edilebilen uydu görüntüleri yeryüzündeki nesneleri daha detaylı görüntülemiştir. Tüm uzaktan algılama veri kümelerinde bant uzunluğu çok önemlidir. Bu uzunluk kullanılacak algoritmanın belirlenmesinde önemli rol oynar. Kullanıcıların pikselleri kolayca analiz edebilmeleri için derin öğrenme algoritmaları uygularken aynı çözünürlük gruplarında kalmaları önerilir[37]

Arkeolojik çalışmalarda robotların ilk defa kullanılması 1993 yılında Mısır’da bulunan Büyük Piramit’in hava bacalarını araştırmak ve temizlemek üzere kullanılmıştır. Bu tarihten itibaren dijitalleşme, kültürel mirasın gelecek nesillere aktarımında maksimum önemli bir noktaya gelmiştir. İlk olarak hava fotoğrafları sayesinde veri toplama ile başlayan süreç, 2000’li yıllarda uzaktan algılama teknolojilerinin gelişmesiyle “Uzaydan Arkeoloji” kavramını ortaya çıkaracak kadar ilerlemiş, devasa görsel veri oluşmuştur. Durum böyle olunca büyük veri kavramının arkeoloji boyutu ortaya çıkmıştır. Veri toplama ve bu görüntü verisinin analizi uydu görüntüleri, çok bantlı/hiperspektral verilerle birlikte kullanışlı kaynaklardır. Bu görüntüler buluta aktarılır ve sonra oradan alınarak işlenir. Aynı şekilde Lazer ışınlarının bitki örtüsündeki açıklıktan geçerek yere ulaşması tüm bitki örtüsünü kaldırmasını sağlayan LİDAR ve SLAR (yan bakışlı hava radarı) taramaları ile yapılan çevresel uzaktan algılama sayısal görüntü analizinde büyük datasetler oluşturur. İHA’ların Structure From Motion yazılımı ile birlikte arkeolojik sit alanlarında kullanımı yaygınlaşmıştır. Tüm bu alan verileri arkeologlar için çok önemli bir avantaj sağlar. Kazı yapmadan bir arkeolojik alanın araştırılması için yer temelli uzaktan algılama yöntemleri uygulanır. Aktif veya pasif jeofizik ölçümler yapılarak bunlara verilen tepkiler okunur. Sualtı Arkeolojisinde ise sismik ve akustik yöntemler önemli araştırmalar için kullanılmıştır. Yankı sondajı ile Ege kıyılarında bir Roma gemisinin yeri tespit edilmiştir. Çok ışınlı sonar kullanımı ile batık arkeolojik alanlardan muazzam miktarda veri üç boyutlu arazi modellemeleri için toplanmaktadır. Veri işleme ve görüntü üretme için kullanılan algoritmaların bir diğer önemli kullanım alanı elektromanyetik yöntemlerden olan jeoradardır. Bir vericinin toprak altına gönderdiği kısa radyo dalgaları, toprağın altındaki değişimleri yansıtır[7]

Arkeolojik çalışmalarda derin öğrenmenin uygulama alanlarından birisi de hiyeroglif, çivi yazısı vs. gibi sembollerden oluşan yazıların çözümlenmesinde bilgisayar görüsünde obje ve metin tanıma ile birlikte kullanılmasıdır. Bu çalışmalar zor ve zahmetli olan eski dillerin deşifre çalışmalarının otomatikleştirilerek çok daha kolay hale gelmesini sağlamak üzere yapılmaktadır. İsviçre’de yapılan iki çalışmadan ilki: literatürde “Kelime Çantası” (BOW-Bag of Words) modeli olarak geçen bir yöntem Maya Hiyeroglifleri üzerine uygulanarak hiyeroglif data setinden tanıma ve gruplama algoritmalarıyla yapılmış ve %97 başarılı olmuştur[37].

İkincide ise, 3 farklı konvolüsyonel derin öğrenme yöntemi karşılaştırılmıştır. LeNet, ScratchaNet ve ResNet-50 arasından en doğru görsel algılamayı sıfırdan eğitilen taslaklara özgü model ScratchNet az veri olmasına karşın %70.3lük başarısıyla diğerlerini geride bırakmıştır[38].

Antik Maya Epigrafisi’nin Derin Öğrenme yöntemleri ile çözümlendiği her iki çalışma da, bu alanda başarılı modellerin gelişmekte olduğunu göstermektedir. Çivi yazılarının okunmasının ve analizinin veri madenciliği ve yüzey eşleştir algoritmaları kullanılarak görüntü eşleme yöntemiyle yapılmasına bir örnek hitit çivi yazılarıyla ilgili bir çalışma olan Başkent Üniversitesi’nde yapılan bir çalışmadır. Yapılan çalışma tablet metinlerinde bulunan çiviyazısı işaretlerin çeşitli görüntü işleme yöntemleri ile okunup veritabanında bulunan işaretlerle eşleştirilerek Latin yazısına dönüştürülmesi sürecini gerçekleştirmektedir. Çalışmanın bir diğer boyutu olan veri madenciliği uygulamalarında ise Hitit çiviyazısı işaretlerinin geometriksel özelliklerine göre kategorilere ayrılması amaçlanmıştır. Çalışmanın bu boyutunun amacı birbirine benzer işaretlerin kategorilere ayrılmasıyla tabletlerdeki işaretlerin okuma işlemini hızlandırmaktadır. Daha sonra kategorilere ayrılan işaretlere veri madenciliğinde kullanılan çeşitli sınıflandırma yöntemleri uygulanmıştır. Sınıflandırma uygulanmasının amacı kategorisi belli olan işaretlerden bir model oluşturularak, kategorisi belli olmayan işaretlere bu model üstünden kategori ataması yapabilmektir. Uygulanan algoritmaların sınıflandırma performansları ölçülüp karşılaştırmalı olarak verilmiştir. Sonuç olarak tabletten alınan bir çiviyazısı işaretinin okunup V.S. dijital işaret listesindeki karşılığının bulunması gerçekleştirilmiştir. Tabletteki işaretlerin karşılığının bulunmasında ve işaret geri getiriminde en iyi performansı gösteren algoritmanın HOG olduğu tespit edilirken, oluşturulan veri kümesine KNN, J48 VE YSA sınıflandırma algoritmaları uygulanmış ve doğruluk değerine göre sınıflandırma performansları ölçülmüştür. En yüksek doğruluk oranına sahip algoritmanın K-NN algoritması (%93) olduğu saptanmıştır[42].

Benzer bir çalışma Chicago Üniversitesinde yapılmıştır. Bugün Suriye’nin Lazkiye Şehrine yakın konumda bulunan Ugarit (Ras Shamra) tabletleri envanteri projesi kapsamında yapılan çalışmada binlerce tablet filolojik verilerin tasnifi için algoritmalar kullanır[43]

Yale Üniversitesinde yapılan bir araştırmada sayısallaştırılmış ortaçağ el yazmalarının kümelenme algoritmaları ve şablon eşleştirme metodlarını kullanarak rakamları ve büyük harfleri tespit edebilmesi öğretilmiştir. Metin bloğu hesaplaması, metin satırı bölümlendirilmesi ve özel bileşen çıkarımı yöntemlerinin kıyaslandığı çalışmada 7 ortaçağ el yazmasından 1819 görüntü üzerinde çalışılmıştır. Çalışmanın sonucunda %98-%99’luk bir hassasiyetle tanıma yapabilen bu üç yöntemi de kapsayan bir hibrit bir program geliştirilmiştir. Süper pikseller üzerinde çalışabilen bu program derinlemesine bir analiz yapılmasını ve böylece gelişmiş bir algoritmik strateji tasarlanmasını sağlayacaktır[39].

Yapay Zeka teknolojilerini odağına alarak her alanda bilimsel çalışmalar yapan Roma’daki Semeion Araştırma Merkezi’nin bir çalışmasında peyzaj arkeolojisi bağlamında incelenen mezopotamya’da ilk kentleşme emareleri sürecinde ortaya çıkan tarihsel, arkeolojik, antropolojik, estetik ve dilbilimsel kayıtların kodlanması eski dünya çalışmalarında yeni bir epistemik bakış açısı tanımlamıştır. Halen dijital beşeri bilimlerin yeni bir dalı olarak da kabul edilebilecek olan bu yeni epistemik perspektif, geçmişin karmaşık sistemlerini YSA’lara dönüştürmek ve her bilgiyi bir noktaya nörona dönüştürmekle ilgilenmektedir. Bu yaklaşım, çok değişkenli ve karmaşık yapıları Yapay Adaptif Sistemlerin biyolojik hesaplanması ile çok faktörlü ilişkilerini simüle etmede teorik ve deneyselliği ortaya koymaktadır. Karmaşık bir sistemin yapay biçimsel ağı gözlenen gerçekliğin sentetik ve resmi bir gösterimi olarak düşünülebilir. Hem soyut bir model hem de istatistiksel, matematiksel ve fiziksel modeller kullanılarak keşfedilebilen ve simüle edilebilen gerçekliğin cebirsel bir genellemesidir. Bu tür yapısal ve anlamsal matris kodlaması ile elde edilen yapay biçimsel ağlar, Yapay Zekanın (ai) niceliksel, niteliksel ve sembolik yöntemleri ile kitlesel olarak tanımlanmış, analiz edilmiş ve simüle edilmiştir. Eski Yakın Doğu’da kent-devletlerinin ve şehirciliğin kökeni, Mezopotamya Kent Devrimi Manzarası’nın simülasyonları bir değeri korumaktadır. Bu belirgin değer, Arkeoloji’de en önemli şeydir. Bu çalışmada ortaya çıkan simülasyonlar hem Arkeoloji’de hesaplama modelleme için yeni bir analitik paradigma hem de şehircilik ve kentleşme çalışmaları için yeni bir teorik yaklaşımdır[44].

Princeton Üniversitesinde yapılan bir çalışma fresklerin rekonstrüksiyonunun zorluğuna genetik algoritmayı kullanarak bir çözüm aramıştır. Arkeolojik alanlarda bulunan fresklerin üzerindeki motiflerin yön ve rotasyonunun doğru tahmini için öncelikle parçaların 3B yüzey taramalarının alınması ve ardından yeniden yapılandırma problemini çözmek için genetik algoritma, Kümelenme Hiyerarşisi ve Dense Cluster Growth yöntemleri karşılaştırılmıştır. Yunanistan-Akrotiri’de bulunan Thera Antik kenti freskleri için uygulanan yöntemler
Genetik bir algoritma kullanarak fresk rekonstrüksiyonu %90 ile en iyi sonucu vermiş olsa da bu yeterli değildir. Buna rağmen yüksek gürültüden pek etkilenmemiştir. Ayrıca, çizgidışı eşleşmeleri yineler ve sağlam optimizasyon yöntemi kullanarak parça kümelerini yeniden birleştirir. Düzgün bir şekilde yeniden yapılandırılmış kümelerin niteliklerine göre kümeleri seçerek, geniş bir arama alanı probleminin üstesinden gelmektedir. Ek olarak her yineleme adımında bir alt yapı popülasyonu koruyarak, makul ancak yanlış çözümleri de minimuma indiriyor. Tüm bunlar sonuç olarak daha büyük rekonstüksiyonları yeniden yapılandırabileceğini göstermektedir[45].

Antalya Müzesi’nde bulunan Yorgun Herakles heykelinin belden üst kısmının Amerika’dan getirilmesi sürecinde de doku haritalandırma, 3B yüzey çakıştırma algoritmaları ve modellemenin önemi ortaya çıkmıştır. Sensörler ve yapılandırılmış ışık sistemleriyle aktif algılama yönteminin de kullanıldığı çalışmada, bu sistemlerin kültürel miras çalışmaları için ne kadar önemli olduğu bir kere daha ortaya çıkmıştır[46].

Kore – Gyeongju’da yapılan bir çalışma büyük veri analitiği ve yapay sinir ağlarını birlikte kullanarak yaptıkları çalışmada Güney Kore’deki Silla Hanedanlığı döneminde M.Ö 8. yüzyılda inşa edilen Woljeong Köprüsü’nden topladıkları IoT sensör verilerini to Uzun süreli
kısa süreli bellek (LSTM) ve tekrarlamalı ağlar (RNN) ile Evrişimli Sinir Ağlarını karşılaştırarak çok fazla restorasyon geçirmiş bir yapının yaşını hesaplamaya çalışmışlardır. Sonuçta en iyi performansı LSTM’den aldıklarını ifade etmişlerdir[47].

Müzecilikte Yapay Zeka ve Derin Öğrenme uygulamaları koleksiyon yönetiminde, ziyaretçi yönetiminde, Müze mağazalarının muhasebesinde, bağışçılarla ilişkilerde, eserlerin orjinallik tespitinde ve sergi tasarımlarında kullanılmaktadır. Müzeler çağın gerekleri ve
ziyaretçi taleplerine göre değişime ve dönüşüme açık kurumlar olduklarından teknolojik yeniliklere adaptasyonları kolaydır. Müze koleksiyonlarının ve envanterlerin son yıllarda dijital ortama aktarılması bu verilerin analizini kolaylaştırmıştır. Ayrıca koleksiyonların tasnifinde de gruplama algoritmalarından faydalanılmaktadır. Envanterinde binlerce eser olan büyük müzeler makine öğrenmesi ve derin öğrenme yöntemlerinden maksimum seviyede faydalanmaktadırlar. Rutgers Üniversitesi’nde yapılan bir çalışmada Evrişimli Sinir Ağları ile eğitilen bir sistem resim sanatında en çok raslanan 20 akımı stil özelliklerine göre ayırt edebilmektedir. Yaklaşık 77 bin görsel ile eğitilen modelde İmageNet, LexNet, ResNet gibi datasetler kullanılmıştır[48]

Smithsonian Washington Ulusal Doğa Tarihi Müzesi ve Ulusal Herbaryumu envanterinde bulunan yaklaşık 5 milyon bitki örneğini dijitalleştirmiştir. Evrişimli Sinir Ağları (CNN) ile eğitilen model %99luk bir başarı elde etmiş ve bir mobil uygulamaya dönüştürülmüştür. Bu uygulama ziyaretçilerin cep telefonu ile çektikleri bitki resminin hangi bitki olduğunu ve istatistiksel bilgilerini kullanıcıların görmesini sağlamaktadır. Ayrıca bu model, numune üzerinde civa birikimi olup olmadığı da %94lük bir başarıyla anlayabilmektedir[49].

Vatikan arşivler çok büyük boyutta ve çok değerli belgeler içermesine karşın erişilemez durumdadır. Araştırmacıların bu arşivlerde bulunan el yazmalarına ulaşabilmesi için Yapay Zeka’nın devreye sokulması ve metin tanıma algoritmalarının kullanılmaya başlamasına yönelik çalışmalar yapılmaktadır. Bu çalışmalardan In Codice Ratio olarak adlandırılan yeni bir yöntem, (OCRnin çalışması için dizin gerekir. Geleneksel OCR, harfler arasındaki boşlukları arayarak kelimeleri bir dizi resme ayırır. Daha sonra her harf görüntüsünü hafızasındaki harf bankası ile karşılaştırır. Hangi harfin görüntüyle en iyi şekilde eşleştiğine karar verdikten sonra, yazılım harfi bilgisayar koduna (ASCII) çevirir ve böylece metni aranabilir hale getirir. Bu nedenle OCR el yazmalarında çalışmadığı için İn Codice Ratio geliştirilmiştir) bu metinleri araştırmak ve transkriptlerini ilk kez kullanıma sunmak için yapay zeka ve optik karakter tanıma (OCR – Optical Character Recognition) teknolojilerinin bir kombinasyonunu kullanmaktadır. In Codice Ratio, kelimeleri harflere değil, tek kalem vuruşlarına yakın parçalara ayrılır. OCR bunu her kelimeyi bir dizi dikey ve yatay bantlara bölerek gerçekleştirir. Yazılım daha sonra bağlantı noktalarından harfleri keserek bir dizi yapboz parçası elde etmektedir. Sistemin testinde Vatikan gizli arşivlerinin bir alt kümesi olan 18.000 sayfalık kayıtların bir bölümü makineye yüklenmiş ve yazılım el yazılarını yüzde 96 oranında okumayı başarmıştır[50].

5.TARTIŞMA VE ÖNERİLER

Bugün bir Arkeolojik eserlerin parçalanmış halde bulunmuş olması ve parçalarının dünyanın farklı bölgelerindeki müzelerin envanterlerinde bulunması üzücü bir durumdur. Kaçakçılık, savaşlar, resmi koleksiyonerik faaliyetleri gibi etkenler sonucu bu durum ortaya çıkmaktadır. Milyonlarca tarihi eser müzelerde korunmaktadır. Yıllar içinde çeşitli nedenlerle dünyanın her tarafında dağılan tarihi eserler ve parçalarının birleştirilebilmesi ve/veya ait olduğu coğrafyaya dönebilmesi için milyonlarca parçayı içeren müze veri depolarının aynı ağda birleşmeleriyle mümkün olabilir.
Bu fikir ütopik gibi görünsede teknik olarak mümkündür. Oluşan devasa veri, çok katmanlı derin sinir ağları ve 3B yüzey eşleştirme algoritmaları ile eğitilen bir model kullanılarak hangi eserin hangi parçasının hangi müzede olduğunu yüksek doğruluk oranında tespit edebilir. 5G ile uyumlu bir Arkeolojik nesne tanıma programı yazılarak proje hayata geçirilebilir. (Şekil 6)

Sistem mimarisinde parçaları aranan objenin her açıdan yüksek çözünürlükte dijital fotoğrafları sisteme yüklendikten sonra çok katmanlı yapay sinir ağından oluşan özellik tanıyıcı bulut veri tabanından parçanın özelliklerini çıkarır. Ardından tekrar veritabanına gönderilen bilgi 3B yüzey eşleme algoritmalarınca işlenerek eşleşen parçaların yüzdelik oranlarına göre en yüksek olanlar, lokasyon bilgiside içerecek şekilde çıktı olarak alınır. Obje bulunduğu yerdeki müzeye iade edilerek etik ve hukuki süreç tamamlanmış olur. Antalya Müzesinde bulunan Yorgun Herakles Heykeli’nin yarısının şans eseri Amerika’da bulunarak Türkiye’ye iade edilmesi bu konuda bir örnektir. Eğer eserin tüm parçaları ait olduğu coğrafyaya uzak ise büyük olan parça hangi müzedeyse diğer parçalarda oraya gönderilmelidir.

Bu bölümde bahsedilen proje başta ICOM (İnternational Council of Museums) ev NEMO’nun (Network of Europen Museum Organizations) kuruluş değerleri ve koleksiyon stratejileri ile vizyonlarına uygundur. Gerek son teknolojileri içeriyor olması, gerekse koleksiyon erişilebilirliğini arttırmaya yönelik olması projeye bu kurumlardan destek alınabilirliği noktasında şüphe bırakmıyor. Ayrıca Avrupa’da bir çok devletin müzelerle ilgili bakanlıklarının ve müzelerinin de bu ağlara üye olduğunu unutmamak gerekir. IFLA (International Federation Library Association) örneğinden yola çıkarsak, dünyanın her yerinden kütüphanelerdeki kitaplara erişim sağlanabiliyorsa, müze objelerine de sağlanabilir ve hatta eksik parçaların tamamlanması bile teknik olarak mümkündür. Bu öneriye konu olan sistem modeli başta heykeller ve figürlü seramikler olmak üzere yüzlerce çeşit buluntu gruplarını bir bütün halinde görmemizi sağlayabilir. Araştırmacılara yeni ufuklar açabilir. Yepyeni keşiflere yol açabilir hatta tarihi değiştirebilir. Örneğin Roma Seramiği çalışan bir araştırmacı İspanya’dan Türkiye’ye, Mısır’dan İngiltere’ye kadar çok büyük bir coğrafi alandaki müzeleri ve akademik kurumları ziyaret etmek zorundadır. Böyle bir durum gerçekleşemeyeceğinden araştırma çok daha kısıtlı bir araştırma alanına sıkışmak zorunda kalmaktadır. Önerdiğimiz bu yazılım ve platform, yalnızca araştırmacıya oturduğu yerden tüm bu alandaki objeleri görme imkanı vermekle kalmıyor, eksik parçaları tamamlama imkanı da sunarak eseri bir bütün olarak görmesini sağlıyor.

6. SONUÇ

Yapay Zeka’nın Derin Öğrenme bağlamında Arkeoloji ve Müzeolojide kullanımı pek çok projenin geliştirilmesini mümkün kılmaktadır. Önümüzdeki yıllarda her kazıda ve müzede derin öğrenme ve veri analitiğini bilen uzmanların bulunacağını öngörmek yanlış olmaz. Arkeoloji alanında 2000’li yıllardan önce bir araştırmanın yapılabilmesi için ancak sondaj ve ardından bilimsel-sistematik kazılar yapılması gerekiyordu. Acil durumlarda ise kurtarma kazıları ile geçici ve çok kapsamlı olamayan çalışmalarla bilimsel ve tarihsel veriler elde etmek mümkün olabilmekteydi. Arkeolojik kazılar zorlu coğrafi alanlarda ve çoğunlukla kırsalda olduklarından çok meşakatli çalışmalardır. 2000’li yıllardan sonra ise gerek yapay zeka alanındaki yenilikler, gerekse Coğrafi Bilgi Sistemleri, uzaktan algılama ve uydu teknolojilerindeki gelişmeler bazı arkeolojik alanlarda neredeyse hiç kazı yapmadan, yalnızca birkaç sondajla önemli verilere ulaşmayı sağlamakta, bazen de hangi noktada sistemli kazıların yapılmasının belirlenmesine çok faydalı olmaktadır. Arkeolojik kazı sahasındaki tüm işler İnsana dayalıdır. Böyle bir çalışma ortamı olması nedeniyle kimi zaman önemli sorunlar çıkmaktadır. Özellikle İş kazaları da bunlar arasında başta gelir. Gelecekte toprağın altını kazmadan analiz edebilen ve eserleri tanıyabilen robotik sistemleri ve görüntü işleme yazılımları arkeolojideki iş gücü kaybını en aza indirebilir.

Envanterinde ve depolarında binlerce eser bulunan müzelerin bu envanterin yönetilmesi noktasında yapay zeka/ derin öğrenme uygulamalarına ihtiyaç duydukları bir gerçektir çünkü bu şekilde devasa veriye sahip olan kurumlar bu veriye hakim olabilmek için makine öğrenmesi yöntemlerini kullanarak ihtiyaç duydukları bilgiye ulaşabilirler. Bir küratör sergisini hazırlarken müzenin depolarında sergi temasına uygun olarak hangi objelerin bulunduğunu hızlıca öğrenmeli ve aralarından seçim yapabilmelidir. Bu iş binlerce objesi olan müzeler için çok zaman alan bir süreçtir. Türkiye’de bulunan arkeoloji müzelerinin envantere ve depolarına hakim olma konusunda ciddi sıkıntıları vardır. Türkiye arkeolojik buluntu yönünden çok zengin olduğu için bu devasa veriye hakim olmanın tek yolu tüm koleksiyonu dijitalleştirip sonrasında Makine Öğrenmesi yöntemleri ile sınıflamaktır. Derin öğrenme uygulamalarında son yıllarda inanılmaz gelişmeler olmuş, GAN, Kapsül Ağlar ve Pekiştirmeli Öğrenme gibi önceki yöntemlere göre çok daha farklı alanlarda yüksek performans gösteren teknikler ortaya konmuştur. Bu yüksek performanslı tekniklerin sayesinde gelecekte tüm müzelerin envanterlerini birleştirmeleri belki de mümkün olacak, Yorgun Herakles gibi binlerce eserin eksik parçaları dünyanın neresinde olursa olsun bulunacaktır. Bilimsellik ve evrenselliğin gereklerini adaletli bir şekilde yerine getirmekte Arkeoloji ve Müzeolojide Yapay Zeka/Derin öğrenme uygulamalarının kullanımı çok önemli bir rol oynama potansiyeline sahiptir.

REFERENCES

(For Journal articles)
[6] Schmidhuber, J. Deep learning in neural networks: An overview. Neural Networks 2015, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
[12] Turing, A. Computing Machinery and İntelligence. MIND Dergisi, 1950, 59-236,433-460.
https://www.csee.umbc.edu/courses/471/papers/turing.pdf/04.10.2019
[16] Şeker A, Diri B, Balık H, Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi
Mühendislik Bilimleri Dergisi, 2017, 3(3): 47-64.
https://dergipark.org.tr/tr/download/article-file/394923
[17] LeCun, Y, Bottou, Y, Haffner, P,. Gradient Based Learning Applied to Document Recognition.
Proceeding of the IEEE, 1998, 86(11), 2278-2324
http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf
[18] Krizhevsky, A, Sutskever, I, Hinton, GE,. ImageNet Classification with Deep Convolutional Neural
Networks. Neural Information Processing Systems. (NIPS), 2012, 12, 1097– 1105.
https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
[19] Goodfellow, I, Pouget-Abadie, J, Mirza, M, Xu, B, Warde-Farley, D, Ozair, S, Courville, A, Bengio, Y,.
Generative Adversarial Nets. Advances in Neural Information Processing Systems (NISP), 2014, 2672-2680.
https://arxiv.org/pdf/1406.2661.pdf
[21] Kızrak, A, Bolat, B, Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma. Bilişim
Teknolojileri Dergisi, 2018, 11, 263-286. DOI: 10.17671/gazibtd.419205
https://dergipark.org.tr/tr/download/article-file/520262
[22] Deng, L, Yu,C,. Deep Learning: Methods and Applications. Trends Signal Process, 2014 vol. 7, no.3–4, pp.
197–387.
[25] Hochreiter, S, Schmidhuber, J.. Long Short-Term Memory. Neural Computation, 1997, 9(8), 1735-1780,
[26] Hinton, G.. Boltzman Machines. Encyclopedia of Machine Learning and Data Mining, 2014
DOİ:10.1007/978-1-4899-7502-7_31-1
http://people.stat.sfu.ca/~dac5/BoltzmannMachines.pdf
[27] Sabour, S, Frosst, N, Hinton, G.E., Dynamic Routing Between Capsules. arXiv:1710.09829, 2017.
https://papers.nips.cc/paper/6975-dynamic-routing-between-capsules.pdf
[28] Rajasegaran J., vd “DeepCaps: Going Deeper with Capsule Networks. 2017, Computer Vision
Foundation Publishing supported by İEEE.
[32] https://icom.museum/en/activities/standards-guidelines/museum-definition/
[37] Çölkesen, İ, Yomralıoğlu, T.. Arazi Örtüsü ve Kullanımının Haritalanmasında WorldView-2 Uydu
Görüntüsü ve Yardımcı Verilerin Kullanımı. Harita Dergisi Temmuz 2014 Sayı 152.
[37] Buitrago, LAP, Ochoa, JAC, Trinidad, JFC, Rangel, ER.. Improved Hieroglyph Representation for Image
Retrieval. ACM Journal on Computing and Cultural Heritage, April 2019 Vol. 12, No. 2. DOİ: 10.1145 /
3284388
[38] Can, G, Odobez, j, Perez, DG.. How to Tell Ancient Signs Apart? Recognizing and Visualizing Maya
Glyphs with CNNs. ACM Journal on Computing and Cultural Heritage, December 2018. Vol. 11, No. 4, DOİ:
10.1145 / 3230670
[39] Yang, Y, Ruggero, P, Gobbetti, E, Rushmeier, H.. Automatic single page-based algorithms for medieval
manuscript analysis. ACM J. Comput. Cult. Herit. March 2017, 10, 2, Article 9, DOİ: 10.1145 / 2996469
[45] Sizikova, E, Thomas, F.. Wall Painting Reconstruction Using a Genetic Algorithm. 2017, ACM J. Comput.
Cult. Herit. 11, 1, 17 pages. DOİ: https://doi.org/10.1145/3084547
[47] Woosik, L, Dong-Hoon.. Cultural Heritage and the Intelligent Internet of Things. June 2019 ACM J.
Comput. Cult. Herit. 12, 3, Article 21 (June 2019), 14 pages. https://doi.org/10.1145/3316414

[49] Schuettpelz, E, Frandsen, BB, Dikkow, RB, Brown, A, Orli, S, Melinda, P, Metallo, A, Funk, VA, Dorr, L,J..
Applications of deep convolutional neural networks to digitized natural history collections. Biodiversity
Data Journal 2017, C.5: e21139. https://doi.org/10.3897/BDJ.5.e21139
(For books)
[1] Luger, GF. Artificial İntelligence: Structures and Strategies for Complex Problem Solving. the Fifth
Edition, London: Addison Wesley Publishing, 2005.
[2] Konar, A. Computational İntelligence. Berlin: Springer, 2005.
[3] Goertzel, B. Pennachin C. Artificial General İntelligence. Berlin: Springer, 2007.
[4] Kurzweil, R. The Age of Spiritual Machines; When Computers Exceed Human İntelligence. London:
Penguin Books, 2000.
[5] Russell, SJ. Norvig P. Artificial İntelligence: A Modern Approach, Second Edition. New Jersey: Pearson
Educational Publishing, 2003.
[7] Bahn, P. Fagan B. Archaeology: the Whole Story. London: Thames Hudson Publishing, 2017.
[8]Mensch, P. Methodological Museology; Or, Towards A Theory Of Museum Practice. London: International
Publishing Group, 1990.
[9] Ronnan, C. Bilim Tarihi: Dünya Kültürlerinde Bilimin Tarihi ve Gelişmesi. Ankara: TÜBİTAK Yayınları,
2003.
[10] Bernal, J. Tarihte Bilim. İstanbul: Doğa Yayınevi, İstanbul, 2008.
[11] Sezgin, F. İslam’da Bilim Ve Teknik, İstanbul, BB. Kültür A.Ş. Yayınları, 2008.
[13] Rosenblatt, F. A Perceptron: A Perceiving and Recognizing Automation. New York: Cornell Aeronautical
Laboratuary, İnc, 1957.
[14] Ivakhnenko, AG. Lapa, VG. Cybernetic Predicting Devices. İndiana: Pardue University Published,
1966.
[15] Nilsson J.N. Yapay Zeka: Geçmişi ve Geleceği. İstanbul: Boğaziçi Üniversitesi Yayınevi, 2019.
[23] Kayaalp, K, Süzen, AA. Derin Öğrenme ve Türkiye’deki Uygulamaları. İstanbul: İKSAD Yayınevi, 2018.
[29] Özdoğan, M. 50 Soruda Arkeoloji. İstanbul: Bilim ve Gelecek Kitaplığı Yayınevi, 2011.
[30] Renferew, C. Bahn, P. Arkeoloji: Anahtar Kavramlar. İstanbul: İletişim Yayınevi, 2013.
[31] Trigger, B. Arkeolojik Düşünce Tarihi. Ankara, Eskiyeni Yayınları, 2014.
[33] Sandel, R., Janes, R. Museum Management And Marketing. New York: Routlage, 2007.
[34] Çalıkoğlu, L. Koleksiyon, Koleksiyonerlik ve Müzecilik. İstanbul: Yapı Kredi Yayınları, 2010.
[36] Parcak, S.H. Remote Sensing for Archaeology. New York, Routledge, 2009.
(Chapter in a book)
[40] Barcelo, J. Visual Analysis İn Archaeology, An Artificial İntelligence Approach. A. Eliwa (Eds),
Morphometrics for Nonmorphometricians, Berlin: Springer, 2010, 93-156. DOI
https://doi.org/10.1007/978-3-540-95853-6
[43] Prosser, MC. Digital Philology in the Ras Shamra Tablet Inventory Project: Text Curation through
Computational Intelligence. VB Juloux, AR Gansell, A Ludovico (Eds), CyberResearch on the Ancient Near
East and Neighboring Regions, Leiden: Brill Publishing, 2018, 314-335. DOİ:
https://www.jstor.org/stable/10.1163/j.ctv4v349g.19
[44] Ramazotti, M. Landscape Archaeology and Artificial Intelligence: the Neural Hypersurface of the
Mesopotamian Urban Revolution. VB Juloux, AR Gansell, A Ludovico (Eds), CyberResearch on the Ancient
Near East and Neighboring Regions, Leiden: Brill Publishing, 2018, 60-82. DOİ:
https://www.jstor.org/stable/10.1163/j.ctv4v349g.11
(For Thesis/Dissertation)
[42] Asuroğlu, T. Hitit Çiviyazısı İşaretlerinin Bilgisayar Desteği İle Okunması Ve Veri Madenciliği
Uygulama Örnekleri (MSc). Başkent Üniversitesi Fen Bilimleri Enstitüsü, Ankara, Turkiye, 2015.
[50]Gümüş, F. Müzelerde Yapay Zeka Uygulamaları, Etkileri ve Geleceği (MSc). İstanbul Üniversitesi
Sosyal Bilimler Enstitüsü Müze Yönetimi Anabilim Dalı, İstanbul, Turkiye, 2019.
(Conference Papers)

[20]Sabour, S, Frosst, N, Hinton, GE., Dynamic Routing Between Capsules: Conference of 31st Neural
Information Processing Systems (NIPS’17), 4-9 December 2017, Long Beach, CA, USA: 527-561.
https://papers.nips.cc/paper/6975-dynamic-routing-between-capsules.pdf
[24] Mikolov, T, Karafiat, M, Burget, L, Cernocky, H.. Recurrent Neural Network Based Language Model.
INTERSPEECH 2010, 11th Annual Conference of the International Speech Communication Association,
September 26-30 2010 Chiba, Japan: 1045-1048.
https://www.fit.vutbr.cz/research/groups/speech/publi/2010/mikolov_interspeech2010_IS100722.pdf
[35] Acar, H. Karslı, F. Nokta Belirleme Algoritmaları ile Otomatik Görüntü Eşleştirme ve 3B konum tespiti, 16-19 Ekim 2012 IV. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu (UZAL-CBS 2012), Zonguldak.
[41] Barcelo, J. Computational Intelligence in Archaeology: State of the Art. Computer Applications and
Quantitative Methods in Archaeology (CAA). Proceedings of the 37th International Conference, March
22-26 2009 Williamsburg, Virginia, United States of America, Archaeopress, Oxford, pp. 11-21.
https://proceedings.caaconference.org/paper/02_barcelo_caa2009/
[46] Akca, D, Grün, A, Alkıs Z, Demir, N, Breuckmann, B, Erduyan, I, Nadir, E. ISPRS Commission V
Symposium ‘Image Engineering and Vision Metrology’, September 25-27, 2006, Institute of Geodesy and
Photogrammetry, Swiss Federal Institute of Technology ,Dresden, Germany: v.36, 14-19.
https://www.research-collection.ethz.ch/handle/20.500.11850/40321
[48] Elgammal, A, Mazzone, M, Bingchen, L, Kim, D, Elhoseiny, M. The Shape of Art History in the Eyes of
the Machine. 32nd AAAI conference on Artificial Intelligence, February 2-7, 2018, New Orleans, USA.
arxiv.org/abs/1801.07729v2

Reklam (#YSR)