Automated sign detection across the Electronic Babylonian Library: A large-scale dataset and end-to-end cuneiform OCR pipeline
Dieses Paper präsentiert eine skalierbare, End-to-End-Keilschrift-OCR-Pipeline auf Basis eines Deformable Detection Transformers (DETR), die den bisher größten annotierten Zeichen-Datensatz nutzt, signifikante Verbesserungen der Metriken erzielt und erfolgreich nahezu 2,9 Millionen Zeichen über 87.668 Fragmente der Electronic Babylonian Library hinweg detektiert, um eine groß angelegte automatisierte Analyse antiker Tontafeln zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine riesige Bibliothek vor, in der die Bücher nicht aus Papier bestehen, sondern aus feuchtem Ton, der vor 3.000 Jahren hart gebacken wurde. Dies sind Keilschrifttafeln, eines der ältesten bekannten Schriftsysteme der Welt. Sie enthalten die Geschichte, die Gesetze und die Geschichten des alten Mesopotamiens.
Das Problem? Es gibt etwa eine halbe Million dieser Tafeln, aber die meisten sind zerbrochen, rissig oder mit Schmutz bedeckt. Nur eine Handvoll Experten (genannt Assyriologen) kann sie lesen, und sie haben schlichtweg nicht genug Zeit, um jede einzelne zu lesen. Es ist, als würde man versuchen, eine millionen Seiten starke, beschädigte Enzyklopädie mit einer Lupe zu lesen, Zeichen für Zeichen.
Dieses Paper handelt vom Bau eines robotergestützten Assistenten, der den Gelehrten hilft, diese Tafeln schneller zu lesen. Hier ist erklärt, wie sie es gemacht haben, ganz einfach:
1. Der „Lehrer“ und der „Schüler“
Um einem Computer beizubringen, diese antiken Symbole zu lesen, benötigt man ein riesiges Lehrbuch voller Beispiele.
- Der Datensatz: Die Forscher sammelten die größte Sammlung „beschrifteter“ Keilschriftbilder, die je erstellt wurde. Stellen Sie sich vor, man nimmt 1.931 Fotos von Tontafeln und zeichnet manuell ein Kästchen um jedes einzelne Symbol auf ihnen, um dem Computer zu sagen: „Dieses Kästchen enthält das Symbol für ‚König‘, und dieses hier für ‚Gerste‘.“ Sie erweiterten diesen Datensatz von etwa 52.000 Zeichen auf 124.500 Zeichen.
- Das Modell (Der Schüler): Sie verwendeten einen intelligenten KI-Typ namens DETR (Deformable Detection Transformer). Denken Sie an dies als einen sehr scharfsinnigen Schüler, der ein Foto betrachtet und versucht, jedes Symbol zu finden und zu benennen. Sie trainierten diesen Schüler mit zwei verschiedenen „Vokabularen“: einem mit 173 Arten von Zeichen (sehr detailliert) und einem mit 106 Arten (vereinfacht).
2. Der dreistufige Reinigungsprozess
Bevor der Roboter lesen kann, müssen die Fotos aufbereitet werden, denn antike Tafeln sind unordentlich. Die Forscher entwickelten eine dreistufige Pipeline:
- Schritt 1: Der „Tafelschneider“ (Seitliche Extraktion):
Manchmal zeigt ein einzelnes Foto ein ganzes Tablett mit fünf verschiedenen Bruchstücken von Tontafeln. Die KI muss wissen, wo eine Tafel endet und eine andere beginnt. Die Forscher bauten ein Werkzeug, das das Foto automatisch zerschneidet und nur eine Oberfläche der Tafel nach der anderen ausschneidet – wie ein Koch, der eine Pizza in einzelne Stücke schneidet, damit der Roboter sich auf ein Stück zur Zeit konzentrieren kann. - Schritt 2: Der „Zeilenorganisator“ (Zeilen-Gruppierung):
Sobald der Roboter die Symbole erkennt, sind sie nur noch eine verstreute Wolke aus Punkten. Der Roboter muss wissen, welche Punkte zu derselben Textzeile gehören. Die Forscher nutzten eine Clustering-Methode (DBSCAN), die wie ein Magnet wirkt. Sie zieht Symbole, die vertikal nah beieinander liegen, in eine Linie und ignoriert dabei die unordentlichen Lücken zwischen den Zeilen. Dies verwandelt eine chaotische Wolke von Symbolen in ordentliche Textreihen. - Schritt 3: Die „Rechtschreibprüfung“ (N-Gramm-Abgleich):
Woher wissen wir, ob der Roboter recht hat? Sie verglichen die Ausgabe des Roboters mit dem bekannten Text (Transliterationen) in der Datenbank. Sie prüften nicht nur, ob der Roboter das ganze Wort richtig bekam, sondern ob der Roboter die Sequenz der Symbole richtig erfasst hatte (ähnlich wie man prüft, ob „Die Katze saß“ mit „Die Katze saß“ übereinstimmt statt mit „Der Hund saß“).
3. Die Ergebnisse: Ein gewaltiger Sprung nach vorn
Der Roboter arbeitete überraschend gut.
- Genauigkeit: Im Vergleich zur bisher besten Methode verbesserte dieses neue System die Genauigkeit um 28 % bis 37 %. Es ist ein riesiger Sprung, vergleichbar mit dem Übergang von einem Schüler, der 60 % in einer Prüfung erreicht, zu einem, der 90 % erreicht.
- Skalierbarkeit: Sie ließen dieses System auf 87.668 Tafelfragmenten der Electronic Babylonian Library laufen.
- Ergebnis: Der Roboter fand und beschriftete erfolgreich fast 2,9 Millionen einzelne Zeichen.
4. Die Grenzen (Wo der Roboter noch Schwierigkeiten hat)
Das Paper ist ehrlich darüber, wo der Roboter noch nicht perfekt ist:
- Zerbrochene Tafeln: Wenn eine Tafel zertrümmert oder der Ton erodiert ist, sehen die Symbole seltsam aus. Der Robot errät manchmal selbstbewusst etwas, liegt aber falsch, oder er wird durch die Beschädigungen verwirrt.
- Kein „Gehirn“ für Bedeutung: Der Roboter ist ein visueller Detektiv, kein Linguist. Er sieht die Formen und gruppiert sie in Zeilen, aber er versteht nicht die Grammatik oder die Geschichte. Er weiß nicht, dass „König“ normalerweise vor „von Babylon“ steht. Er sieht nur die Formen.
- Gedrängter Text: Auf sehr großen Tafeln mit tausenden winzigen, eng beieinander stehenden Symbolen übersieht der Roboter manchmal Zeichen oder bringt die Zeilen durcheinander.
Das Fazit
Dieses Paper hat nicht nur eine bessere Kamera gebaut; es hat eine skalierbare Fabrik zum Lesen der antiken Geschichte geschaffen. Durch die Kombination eines massiven neuen Datensatzes mit einer intelligenten „Schneide- und Sortier“-Pipeline haben sie ein Werkzeug geschaffen, das tausende Tafeln in der Zeit verarbeiten kann, die ein Mensch zum Lesen einer einzigen Tafel benötigen würde. Auch wenn es noch menschliche Experten braucht, um die schwierigen Teile zu überprüfen, hat es das Fundament gelegt, um endlich die „halbe Million“ ungelesener Tafeln zu lesen, die seit Jahrhunderten in Museen liegen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.