Ethno-archéologie sur l’île de Sumba – Indonésie. La présente étude entre dans le cadre d’un projet de recherche plus général sur les pratiques traditionnelles, dirigé par Anthony Denaire. Ici, l’implantation des maisons traditionnelles (avec une tour sur le toit) reflète les récentes transformations culturelles résultant de la mondialisation. Différents algorithmes sont testés pour détecter automatiquement ces bâtiments à partir d’images satellites. Les méthodes modernes de vision par ordinateur, basées sur du deep learning, sont particulièrement efficaces pour remplir cette tâche presque inenvisageable si elle était effectuée à la main. Une fois près de 15 000 maisons traditionnelles détectées, les Histogramme de Gradients Orientés (HOG) sont calculés et introduits dans plusieurs algorithmes d’apprentissage automatique afin d’évaluer la superficie des maisons; ce paramètre véhiculant des informations pertinentes sur la position économique et politique du propriétaire. L’analyse spatiale permet alors de tirer des conclusions anthropologiques. Plus généralement, ces techniques n’offrent pas seulement un simple accroissement des capacités d’enregistrement du patrimoine culturel matériel, elles ouvrent de nouvelles perspectives de recherche, et cela à plus grande échelle.
Abstract: In Sumba Island – Indonesia, the implantation of vernacular houses, inside and outside traditional villages, is considered to be an efficient proxy for the on-going complex cultural transformations resulting from globalization. This study presents an easily reproducible workflow allowing buildings to be auto- matically detected from satellite imagery, demonstrating how modern computer vision methods based on deep learning can help in this task, which would be far too time-consuming when undertaken by hand. Eight deep learning architectures based on convolutional neural networks were compared in terms of ability to identify and locate precisely traditional houses from satellite images. By combining a Faster R-CNN ResNet 101 architecture with artificial data augmentation, the model was taught properly using 1033 instances of vernacular houses (AP@.50:.95 = 71.9). Once 14 952 traditional houses had been de- tected, the Histogram of Orientated Gradients (HOG) was computed and processed by several machine learning algorithms to assess their surface area, as this parameter conveys pertinent information about the economic and political position of the householder. The best classifier was found to be a support vec- tor regressor (SVR, R 2 = 0.88), although the other classifiers tested also provided good results (R 2 > 0.76). Spatial analysis was used to draw conclusions from an anthropological / cultural identity point of view. More generally, these techniques not only offer a simple increase in recording capabilities for tangible cultural heritage, they open up new research perspectives, at greater scales.