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

Seit Jahrhunderten untersuchen Gelehrte die frühesten schriftlichen Aufzeichnungen der chinesischen Zivilisation, die komplizierten Symbole, die vor tausenden von Jahren in Schildkrötenpanzer und Bronzegefäße geritzt wurden. Diese antiken Schriftzeichen sind nicht bloß Bilder; sie sind ein komplexes System, in dem ein einzelnes Konzept je nach Ära, Region oder verwendetem Material in Dutzenden leicht variierender Formen erscheinen kann. Die Herausforderung für die moderne Forschung besteht darin, Computern beizubringen, diese Symbole automatisch zu erkennen. Dies ist keine einfache Aufgabe des Abgleichs eines Bildes mit einer Beschriftung. Das System muss zwischen tausenden visuell ähnlichen Zeichen unterscheiden können, von denen viele in den verfügbaren historischen Aufzeichnungen nur wenige Male vorkommen, während andere häufig erscheinen. Dies erzeugt ein schwieriges Ungleichgewicht, bei dem der Computer einige Zeichen oft sieht, andere jedoch selten, was das Erlernen des vollständigen Satzes erschwert. Zudem variiert die Qualität dieser antiken Bilder massiv, da einige durch die Zeit, Tintenflecken oder fehlende Striche beschädigt sind, was eine weitere Ebene der Verwirrung für jede Maschine darstellt, die versucht, aus ihnen zu lernen.

Ein Forschungsteam hat nun ein strenges Testfeld aufgebaut, um zu sehen, welche modernen Computer-Vision-Systeme am besten für dieses spezifische historische Rätsel geeignet sind. Sie konzentrierten sich auf eine massive Sammlung von über 74.000 Bildern, die 6.650 verschiedene antike Zeichenkategorien repräsentieren, entnommen aus vier bedeutenden historischen Epochen, die von den frühesten Orakelknochen bis zur späteren Kleinversiegelungsschrift reichen. Um einen fairen Vergleich zu gewährleisten, unterzogen sie vierzehn verschiedene Computerarchitekturen exakt demselben Trainings- und Testverfahren und hielten jede Variable konstant, sodass die Ergebnisse allein von der Konstruktion des Systems selbst abhängen würden. Das Ziel war es, über isolierte Experimente hinauszugehen und ein klares, reproduzierbares Ranking zu erstellen, welche Ansätze für diese hochgradig differenzierte Klassifizierungsaufgabe tatsächlich am besten funktionieren.

Die Ergebnisse zeigten eine klare Hierarchie unter den verschiedenen Computerdesigns. Das System, das am besten abschnitt, war ein modernes konvolutionales Netzwerk, ein Typ von Architektur, der Bilder verarbeitet, indem er sie mit kleinen Filtern scannt, um lokale Muster wie Linien und Kurven zu erkennen. Dieses Modell erreichte eine Genauigkeit von etwa 74,5 Prozent und identifizierte die große Mehrheit der Testzeichen korrekt. Es wurde gefolgt von einem Hybridsystem, das konvolutionale Abtastung mit Aufmerksamkeitsmechanismen kombiniert, und danach von einem hierarchischen Transformer, der Bilder auf eine strukturierte, geschichtete Weise verarbeitet. Interessanterweise gewannen die leistungsstärksten und größten Modelle nicht. Eines der größten Systeme, das einen reinen auf Aufmerksamkeit basierenden Ansatz nutzt und viermal so viele anpassbare Parameter wie der Gewinner besitzt, schnitt deutlich schlechter ab und blieb um mehr als neun Prozentpunkte hinter zurück. Dieser Befund deutet darauf an, dass für diese spezifische Aufgabe die Art und Weise, wie ein Modell gebaut ist, weita viel wichtiger ist als dessen Größe. Ein Modell mit weniger Parametern, aber einem auf lokale Details optimierten Design, kann ein massives System übertreffen, das versucht, das gesamte Bild auf einmal zu verarbeiten.

Die Forscher entdeckten auch, dass die Schwierigkeit der Aufgabe nicht gleichmäßig über alle Zeichen verteilt ist. Das System arbeitete außergewöhnlich gut bei den häufigsten Zeichen, die im Trainingsdatensatz oft vorkamen, und erreichte über 90 Prozent Genauigkeit bei diesen „Head“-Kategorien. Die Leistung sank jedoch stetig, sobald die Zeichen seltener wurden. Bei den am wenigsten häufigen Zeichen, die den Großteil des Datensatzes ausmachten, fiel die Genauigkeit auf etwa 60 Prozent. Diese seltenen Kategorien waren für fast zwei Drittel aller Fehler des Systems verantwortlich. Die Fehler traten nicht zufällig auf; sie geschahen fast immer zwischen verschiedenen Zeichen, die sich sehr ähnlich sehen, wie etwa zwei Symbole, die sich nur durch einen einzigen Strich oder eine kleine Komponente unterscheiden. Das System verwechselte selten verschiedene Versionen desselben Zeichens, hatte aber häufig Schwierigkeiten, zwei unterschiedliche Zeichen zu unterscheiden, die eine ähnliche visuelle Struktur teilten. Dies deutet darauf hin, dass der primäre Engpass nicht die Variation innerhalb eines einzelnen Zeichens über die Zeit ist, sondern die Fähigkeit, zwischen verschiedenen Zeichen zu unterscheiden, die sich nahezu identisch sehen.

Als die Forscher testeten, wie sich diese Systeme gegenüber degradierten Bildern verhalten – eine Simulation der Schäden, die auf echten antiken Artefakten zu finden sind –, änderten sich die Ranglisten. Das System, das bei sauberen Bildern am besten abschnitt, blieb nicht das robusteste, wenn Rauschen eingeführt wurde. Ein Hybridmodell, das bei sauberen Daten den zweiten Platz belegte, erwies sich als das widerstandsfähigste, da es einen höheren Prozentsatz seiner Genauigkeit beibehielt, wenn die Bilder unscharf waren oder Teile fehlten. Im Gegensatz dazu litt das beim sauberen Datensatz führende Modell unter einem stärkeren Leistungsabfall, wenn die Bilder beschädigt waren, insbesondere wenn die Striche erodiert waren. Dies legt nahe, dass die Designmerkmale, die ein Modell exzellent in der Erkennung perfekter Bilder machen, nicht zwangsläufig das zuverlässigste Modell für reale historische Dokumente machen, die oft unvollkommen sind.

Die Studie untersuchte auch, ob die Ergebnisse stabil waren oder lediglich ein glücklicher Ausgang eines spezifischen Trainingslaufs darstellten. Durch die Wiederholung des gesamten Experiments mit unterschiedlichen Zufallspunkten fanden die Forscher, dass die Top-Performer konsistent blieben. Das beste Modell blieb an der Spitze, und die Gruppe der drei besten Modelle änderte sich nicht, unabhängig davon, wie das Training initiiert wurde. Einige der schwächeren Modelle zeigten jedoch wilde Schwankungen in ihrer Leistung, abhängig vom Zufallssamen (Random Seed), wobei ihre Genauigkeit zwischen den Durchläufen um bis zu fünfundzwanzig Prozentpunkte variierte. Diese Instabilität deutet darauf hin, dass während die führenden Designs robust und zuverlässig sind, einige der älteren oder weniger optimierten Architekturen anfällig für Fehler sind und nicht ohne sorgfältige Abstimmung vertrauenswürdige Ergebnisse liefern können.

Letztlich bietet diese Arbeit eine klare Landkarte für die zukünftige Forschung in der digitalen Paläographie. Sie zeigt, dass für das Erkennen antiker chinesischer Zeichen ein Modell, das Effizienz mit der Detektion lokaler Details abwägt, einem System, das einfach nur größer verfügbar ist, überlegen ist. Sie hebt hervor, dass die größte Herausforderung darin liegt, visuell ähnliche, seltene Zeichen zu unterscheiden, statt die Variation häufiger Zeichen zu bewältigen. Durch die Etablierung eines standardisierten Benchmarks haben die Forscher der Fachwelt eine gemeinsame Sprache gegeben, um Fortschritte zu diskutieren, und sichergestellt, dass zukünftige Verbesserungen gegen eine solide, reproduzierbare Grundlage gemessen werden und nicht gegen isolierte, unvergleichbare Experimente. Der Weg nach vorn führt über die Nutzung dieser Erkenntnisse, um spezialisierte Methoden für die seltenen Zeichen zu entwickeln und Systeme zu bauen, die der physischen Degradation standhalten können, die der historischen Überlieferung eigen ist.