Regional Style Recognition of Chinese Paper-Cutting Based on Deep Learning and Explainability Analysis
تقدم هذه الورقة مجموعة بيانات CRPC-6 وتثبت من خلال التعلم العميق وتحليل القابلية للتفسير أن الأساليب الإقليمية لقص الورق الصيني تُحدد أساساً من خلال تقنيات حرفية متميزة بدلاً من الدلالات الموضوعية، محققةً دقة تصنيف بلغت 95% باستخدام نموذج ConvNeXt-Tiny.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
على مدى قرون، اعتمد بقاء الحرفة على الأيدي التي تمارسها. فعندما يرحل حرفي ماهر، غالبًا ما تتلاشى الطريقة المحددة التي كان يمسك بها مقصه أو يمزج بها أصباغه معه، ولا يتبقى وراءه سوى القطع النهائية. وفي عالم التراث الثقافي غير المادي، مثل فن قص الورق الصيني القديم، تعد هذه الخسارة أزمة صامتة. وبينما قضت المتاحف عقودًا في رقمنة هذه الأعمال الفنية الدقيقة، وإنشاء مكتبات ضخمة من الصور، فإن السجلات الرقمية غالبًا ما تفتقر إلى التفاصيل الحاسمة حول كيفية صنع العمل. تُظهر الصورة ظلية حمراء لتنين، لكنها لا تخبر الحاسوب ما إذا كان هذا التنين قد قُص بالمقص، أو نُحت بالسكين، أو صُبغ بألوان زاهية. وبدون هذه المعرفة، تصبح الأرشيفات الرقمية مجرد مجموعة من الصور بلا قصة، عاجزة عن التمييز بين الأساليب الإقليمية المتميزة التي تُعرف هذا التقليد.
لطالما تساءل الباحثون عما إذا كان بإمكان الحاسوب أن يتعلم التمييز بين هذه الأساليب الإقليمية، ليس فقط من خلال التعرف على موضوع العمل، بل عبر فهم "البصمات غير المرئية" للحرفة نفسها. والسؤال هو ما إذا كان بمقدور الآلة أن تنظر إلى قطعة من الورق المقصوص وتحدد أصلها بناءً على ملمس القص أو جودة اللون، تمامًا كما يفعل الخبير البشري. لا يعد هذا مجرد تمرين لتصنيف الصور؛ بل هو محاولة لترجمة المهارة المتجسدة في تقليد حي إلى لغة يمكن للحاسوب قراءتها. وإذا نجح هذا، فقد تساعد هذه التكنولوجيا في الحفاظ على التقنيات المحددة لمختلف المناطق، مما يضمن عدم ضياع الأساليب الفريدة للقص والنحت والصباغة مع مرور الزمن، حتى لو رحل المعلمون أنفسهم.
لقد شرع فريق من الباحثين في حل هذه المشكلة من خلال بناء مكتبة رقمية متخصصة وتعليم الحاسوب أن يرى كحرفي ماهر. فقاموا بإنشاء مجموعة بيانات تسمى CRPC-6، تحتوي على 2,411 صورة عالية الجودة لقصاصات ورقية من ستة تقاليد وطنية متميزة. وتتراوح هذه المناطق من الشمال، حيث يستخدم الفنانون عادةً المقص لقص ورق أحمر بلون واحد، إلى الجنوب، حيث تشيع التقنيات المعقدة التي تتضمن النحت والصباغة وحتى استخدام ورق الذهب. وقد اختار الباحثون هذه الصور بعناية من أرشيفات المتاحف، والكتب المنشورة، ومن واقع عملهم الميداني، مع ضمان التحقق من كل صورة بواسطة خبراء بشريين لتكون نموذجًا حقيقيًا لأسلوبها الإقليمي المحدد. ثم قاموا بتدريب أربعة عشر نموذجًا مختلفًا من نماذج الحاسوب على مجموعة البيانات هذه، وطلبوا منها تحديد المنطقة التي ينتمي إليها كل قصاصة ورقية من المناطق الست.
كانت النتائج مذهلة. فلم تكن نماذج الحاسوب تخمن فحسب، بل تعلمت التعرف على الاختلافات الدقيقة في التقنية التي تفصل بين منطقة وأخرى. حقق نموذج واحد محدد، صُمم للاهتمام بدقة بالأنماط والملامس المحلية، معدل نجاح بلغ 95 بالمائة. وكان هذا يتفوق بمراحل على الطرق القديمة، التي كانت تكافح للوصول حتى إلى دقة 50 بالمائة. ووجدت الدراسة أن الحاسوب لم ينجح من خلال التعرف ببساطة على صور الزهور أو الحيوانات أو البشر المصورة في القصاصات، بل نجح من خلال تحليل الخصائص الفيزيائية للعمل الفني نفسه. فقد تعلم النموذج أن قصاصة ورقية من منطقة ما قد تمتلك سطوعًا معينًا أو طريقة خاصة في تشكيل الحواف، بينما قد يكون لقصاصة من منطقة أخرى شدة لون مختلفة أو نمط متميز من الخطوط.
ولفهم كيفية اتخاذ الحاسوب لهذه القرارات بالضبط، استخدم الباحثون أداة تسلط الضوء على أجزاء الصورة التي كان النموذج يركز عليها بدقة. وقاموا بتحويل هذه التوضيحات البصرية إلى بيانات قابلة للقياس، وفحصوا أشياء مثل مدى سطوع المناطق المظللة، ومدى تشبع الألوان، وكثافة الحواف. وكشف التحليل عن نمط واضح: كان الحاسوب يميز المناطق بناءً على تقنيات الحرفة المستخدمة لصنعها. فعلى سبيل المثال، لاحظ أن قصاصات الورق من منطقة شمالية واحدة كانت داكنة وأقل تلونًا باستمرار، مما يعكس تقليدًا يعتمد فقط على الورق الأحمر والمقص. وفي المقابل، أظهرت القصاصات من منطقة جنوبية تشبعًا لونيًا عاليًا، بما يتوافق مع تقليد صباغة الورق. لم يكن النموذج ينظر إلى القصة التي ترويها الصورة، بل كان ينظر إلى قصة كيفية صنع تلك الصورة.
اختبر الباحثون هذه الفكرة بشكل أكبر من خلال عرض قصاصات ورقية ذات موضوع واحد ولكن من مناطق مختلفة، وموضوعات مختلفة من نفس المنطقة. وعندما تغير الموضوع وبقيت المنطقة ثابتة، ظل "بصمة" الحاسوب لتلك الصورة متسقة. وعندما تغيرت المنطقة وبقي الموضوع ثابتًا، تغيرت البصمة بشكل جذري. أثبت هذا أن الحاسوب كان بالفعل يحدد الأسلوب الإقليمي من خلال تقنية الحرفة، وليس من خلال الموضوع. فعلى سبيل المثال، استطاع النموذج التمييز بين قصاصتين لزهور ببساطة لأن إحداهما نُحتت بالسكين والأخرى قُصت بالمقص، رغم أن الزهرتين بدتا متطابقتين.
يقدم هذا الاكتشاف طريقة جديدة للحفاظ على التراث الثقافي ودراسته. فمن خلال تعليم الحواسيب التعرف على "خط اليد" الخاص بالأساليب الإقليمية المختلفة، يمكن للباحثين الآن فرز مجموعات هائلة من القطع الأثرية بمستوى من الدقة كان مستحيلاً في السابق. كما يمكن للنظام تحديد العناصر التي لا تتطابق مع تاريخها المسجل، مما يساعد المتاحف على تصحيح أرشيفاتها. ويمكنه أيضًا توفير وسيلة قابلة للقياس لوصف الخصائص الفريدة لحرفة تحتضر، مما يلتقط جوهر التقنية قبل أن تختفي. وتخلص الدراسة إلى أن التعلم العميق، عندما يتم توجيهه بالأسئلة الصحيحة واختباره مقابل المعرفة الواقعية، يمكنه أن يفعل أكثر من مجرد تصنيف الصور؛ بل يمكنه مساعدتنا في فهم المهارات غير المرئية التي تحدد تاريخنا الإنساني المشترك. لقد تعلم الحاسوب أن يرى القص، واللون، والحرفة، ليحفظ ذاكرة الأيدي التي صنعتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.