Empirical Investigation of Vision Architectures for High- Cardinality Fine-Grained Ancient Chinese Ideograph Classification on OBWX

على مر قرون، درس العلماء أقدم السجلات المكتوبة للحضارة الصينية، وهي الرموز المعقدة المنقوشة على عظام السلاحف والأواني البرونزية منذ آلاف السنين. هذه الحروف القديمة ليست مجرد صور؛ بل هي نظام معقد حيث يمكن لمفهوم واحد أن يظهر في عشرات الأشكال المختلفة قليلاً اعتماداً على الحقبة أو المنطقة أو المادة المستخدمة. ويتمثل التحدي الذي يواجه الباحثين المعاصرين في تعليم الحواسيب التعرف على هذه الرموز تلقائياً. هذه ليست مهمة بسيطة تتمثل في مطابقة صورة بملصق؛ إذ يجب على النظام التمييز بين آلاف الحروف المتشابهة بصرياً، والتي يظهر الكثير منها مرات معدودة فقط في السجلات التاريخية المتاحة، بينما يظهر البعض الآخر بشكل متكرر. وهذا يخلق خللاً صعباً حيث يرى الحاسوب بعض الحروف كثيراً بينما نادراً ما يرى غيرها، مما يجعل من الصعب تعلم المجموعة الكاملة. علاوة على ذلك، تتباين جودة هذه الصور القديمة بشكل كبير، فبعضها تضرر بفعل الزمن، أو لطخات الحبر، أو فقدان بعض الخطوط، مما يضيف طبقة أخرى من الارتباك لأي آلة تحاول التعلم منها.

قام فريق من الباحثين الآن ببناء ميدان اختبار صارم لمعرفة أي أنظمة الرؤية الحاسوبية الحديثة هي الأنسب لهذه الأحجية التاريخية المحددة. لقد ركزوا على مجموعة ضخمة تضم أكثر من 74,000 صورة تمثل 6,650 فئة متميزة من الحروف القديمة، مستمدة من أربع فترات تاريخية رئيسية تتراوح من عظام العرافة المبكرة إلى خط الختم الصغير اللاحق. ولضمان مقارنة عادلة، أخضعوا أربعة عشر بنية حاسوبية مختلفة لنفس عملية التدريب والاختبار تماماً، مع تثبيت كل متغير لكي تعتمد النتائج فقط على تصميم النظام نفسه. كان الهدف هو تجاوز التجارب المعزولة وتأسيس تصنيف واضح وقابل لإعادة الإنتاج يوضح أي النهج هي الأفضل حقاً لهذه المهمة التصنيفية دقيقة التفاصيل وعالية الأهمية.

كشفت النتائج عن تسلسل هرمي واضح بين التصميمات الحاسوبية المختلفة. كان النظام الذي حقق أفضل أداء هو شبكة تلافيفية حديثة، وهي نوع من البنيات التي تعالج الصور عبر مسحها باستخدام مرشحات صغيرة لاكتشاف الأنماط المحلية مثل الخطوط والمنحنيات. حقق هذا النموذج دقة تبلغ حوالي 74.5 بالمائة، حيث حدد الغالبية العظمى من حروف الاختبار بشكل صحيح. تلاه نظام هجين يجمع بين المسح التلافي وآليات الانتباه، ثم نموذج محول هرمي، والذي يعالج الصور بطريقة هيكلية ومتعددة الطبقات. ومن المثير للاهتمام أن النماذج الأكثر قوة وضخامة لم تفز. فأحد أكبر الأنظمة، الذي يستخدم نهجاً يعتمد كلياً على الانتباه ويمتلك أربعة أضعاف عدد المعلمات القابلة للضبط التي يمتلكها الفائز، كان أداؤه أسوأ بكثير، حيث عجز عن تحقيق الفارق بأكثر من تسع نقاط مئوية. تشير هذه النتيجة إلى أنه بالنسبة لهذه المهمة المحددة، فإن طريقة بناء النموذج أهم بكثير من حجمه؛ فالنموذج الذي يمتلك عدداً أقل من المعلمات ولكن بتصميم مُحسَّن للتفاصيل المحلية يمكن أن يتفوق على نظام ضخم يحاول معالجة الصورة بأكملها دفعة واحدة.

اكتشف الباحثون أيضاً أن صعوبة المهمة ليست موزعة بالتساوي على جميع الحروف. فقد أدى النظام أداءً استثنائياً في الحروف الأكثر شيوعاً، والتي ظهرت بشكل متكرر في بيانات التدريب، محققاً دقة تزيد عن 90 بالمائة في هذه الفئات "الرئيسية". ومع ذلك، انخفض الأداء تدريجياً مع ندرة الحروف. وبالنسبة للفئات الأقل شيوعاً، والتي شكلت غالبية مجموعة البيانات، انخفضت الدقة إلى حوالي 60 بالمائة. وكانت هذه الفئات النادرة مسؤولة عن ما يقرب من ثلثي الأخطاء التي ارتكبها النظام. ولم تكن الأخطاء عشوائية؛ إذ كانت تحدث دائماً بين حروف مختلفة تبدو متشابهة جداً، مثل رمزين يختلفان في خط واحد فقط أو مكون صغير. نادراً ما خلط النظام بين نسخ مختلفة من نفس الحرف، لكنه واجه صعوبة متكررة في التمييز بين حرفين متميزين يتشاركان في بنية بصرية متشابهة. وهذا يشير إلى أن العقبة الرئيسية ليست التباين داخل الحرف الواحد عبر الزمن، بل القدرة على التمييز بين الحروف المختلفة التي تبدو متطابقة تقريباً.

عندما اختبر الباحثون مدى صمود هذه الأنظمة أمام الصور المتدهورة، محاكيين الضرر الموجود في القطع الأثرية الحقيقية، تغيرت التصنيفات. فالنظام الذي كان الأفضل في التعامل مع الصور الواضحة لم يظل هو الأكثر صموداً عند إدخال الضجيج. فقد أثبت نموذج هجين، الذي احتل المرتبة الثانية في البيانات النظيفة، أنه الأكثر مرونة، حيث احتفظ بنسبة أعلى من دقته عندما كانت الصور مشوشة أو بها أجزاء مفقودة. وفي المقابل، عانى النموذج المتصدر في البيانات النظيفة من تراجع حاد عند تضرر الصور، خاصة عندما تآكلت الخطوط. يشير هذا إلى أن ميزات التصميم التي تجعل النموذج ممتازاً في التعرف على الصور المثالية لا تجعله بالضرورة الأكثر موثوقية للوثائق التاريخية في العالم الحقيقي، والتي غالباً ما تكون غير كاملة.

كما بحثت الدراسة فيما إذا كانت النتائج مستقرة أم أنها مجرد نتيجة سعيدة لعملية تدريب معينة. ومن خلال تكرار التجربة بأكملها مع نقاط بداية عشوائية مختلفة، وجد الباحثون أن المتصدرين ظلوا ثابتين. فقد بقي النموذج الأفضل في الصدارة، ولم تتغير مجموعة النماذج الثلاثة الأولى، بغض النظر عن كيفية بدء التدريب. ومع ذلك، أظهرت بعض النماذح الأقل أداءً تقلبات حادة في الأداء اعتماداً على البذرة العشوائية، حيث تفاوتت دقتها بما يصل إلى خمس وعشرين نقطة مئوية بين الجولات. يشير هذا عدم الاستقرار إلى أنه بينما تعد التصميمات الرائدة قوية وموثوقة، فإن بعض البنيات الأقدم أو الأقل تحسيناً عرضة للفشل ولا يمكن الوثوق بها لتقديم نتائج متسقة دون ضبط دقيق.

في النهاية، يوفر هذا العمل خارطة طريق واضحة للبحوث المستقبلية في علم الكتابات القديمة الرقمي. فهو يوضح أنه بالنسبة للتعرف على الحروف الصينية القديمة، فإن النموذج الذي يوازن بين الكفاءة واكتشاف التفاصيل المحلية هو الأفضل من مجرد استخدام أكبر نظام متاح. كما يسلط الضوء على أن التحدي الأكبر يكمن في التمييز بين الحروف المتشابهة بصرياً والنادرة، بدلاً من التعامل مع تباينات الحروف الشائعة. ومن خلال وضع معيار مرجعي موحد، منح الباحثون المجتمع لغة مشتركة لمناقشة التقدم، مما يضمن قياس التحسينات المستقبلية مقابل أساس صلب وقابل لإعادة الإنتاج، بدلاً من تجارب معزولة وغير قابلة للمقارنة. إن المسار نحو الأمام يتضمن استخدام هذه الرؤى لتطوير طرق متخصصة للحروف النادرة وبناء أنظمة يمكنها الصمود أمام التدهور المادي المتأصل في السجل التاريخي.