Preserving Myanmar’s Ancient Heritage: A Novel Dataset and ResNet Architecture for Pyu Character Recognition

Resumen Técnico: Preservación del Antiguo Patrimonio de Myanmar mediante el Reconocimiento de Caracteres Pyu

Declaración del Problema
El antiguo sistema de escritura Pyu, un elemento fundacional del patrimonio cultural de Myanmar y un sistema de escritura histórico reconocido por la UNESCO, enfrenta un cuello de botella crítico en su preservación digital. A pesar de la existencia de invaluables tesoros epigráficos en piedra, arcilla y metal desde el siglo I a.C. hasta el siglo IX d.C., la lengua Pyu carece de recursos computacionales estandarizados. Específicamente, la escritura aún no ha sido formalizada bajo el consorcio Unicode, lo que impide el uso de canales estándar de Procesamiento de Lenguaje Natural (NLP) y motores de Reconocimiento Óptico de Caracteres (OCR). Además, existe una ausencia total de conjuntos de datos computacionales etiquetados y estandarizados necesarios para entrenar modelos modernos de aprendizaje profundo (deep learning). Si bien avances recientes en el reconocimiento de la escritura birmana (por ejemplo, myMNIST) han utilizado aprendizaje profundo, estos métodos no pueden aplicarse al Pyu debido a la falta de datos de entrenamiento y a la naturaleza distinta y extinta de la escritura.

Metodología
Para cerrar esta brecha digital, el estudio propone un marco integral para la digitalización, aumentación y clasificación de caracteres Pyu a través de un flujo de trabajo de múltiples etapas:

1. Curaduría de Datos y Adquisición Física:

   • Referencia: El estudio se adhiere estrictamente a las tablas canónicas de Pyu Reader: A History of Pyu Alphabet de Thiripyanchi U Tha Myat [1], que cubre las 33 consonantes Pyu.
   • Adquisición: Debido a la falta de fuentes digitales, el autor escribió físicamente a mano 25 variaciones estilísticas únicas para cada una de las 33 consonantes sobre papel blanco utilizando tinta negra. Esto produjo una base de 825 imágenes brutas (33 clases × 25 variaciones).
   • Preprocesamiento: Las imágenes fueron digitalizadas bajo iluminación controlada, redimensionadas a 224 × 224 píxeles, convertidas a escala de grises de un solo canal y binarizadas para producir trazos blancos de alto contraste sobre un fondo negro.

2. Protocolo de Aumentación de Datos:

   • Para mitigar la escasez de datos y simular las irregularidades físicas de las inscripciones históricas (por ejemplo, erosión, desgaste y perspectiva de cámara), se aplicó un flujo de trabajo de aumentación de múltiples operadores.
   • El conjunto de datos se expandió seis veces (de 825 a 4,950 imágenes) utilizando cinco transformaciones:
     • Rotación: Ángulos aleatorios entre -10° y 10°.
     • Traslación: Desplazamientos aleatorios de ±10 píxeles en los ejes horizontal y vertical.
     • Desenfoque Gaussiano (Gaussian Blur): Simulando la difusión de la tinta o la erosión de la piedra (σ = 0).
     • Transformación Afín: Simulando variaciones de velocidad/presión del trazo mediante cizallamiento y estiramiento.
     • Transformación de Perspectiva: Simulando ángulos de cámara no perpendiculares, comunes en la fotografía arqueológica.

3. Arquitectura del Modelo y Entrenamiento:

   • Arquitectura: Se empleó una ResNet-18 de un solo canal modificada. La primera capa convolucional fue alterada para aceptar una entrada de escala de grises de 1 canal (224×224×1) en lugar de 3 canales RGB, y la última capa totalmente conectada fue reconfigurada para producir 33 clases.
   • Configuración de Entrenamiento: El conjunto de datos se estratificó en un conjunto de entrenamiento del 80% (3,960 imágenes), un conjunto de validación del 10% (495 imágenes) y un conjunto de prueba del 10% (495 imágenes). El entrenamiento utilizó el optimizador AdamW, pérdida de Entropía Cruzada Categórica, una tasa de aprendizaje de 0.001 y un tamaño de lote (batch size) de 64 durante 10 épocas en GPUs duales NVIDIA T4.

Contribuciones Clave
El artículo realiza tres contribuciones primordiales al campo de la paleografía computacional:

1. El Primer Conjunto de Datos Público de Pyu: La introducción del primer conjunto de datos de consonantes Pyu escritas a mano, sistemáticamente curado y disponible públicamente, alojado en GitHub, Hugging Face y Kaggle.
2. Protocolo de Aumentación Especializado: La definición de un robusto flujo de expansión de datos adaptado para lenguas históricas de bajos recursos, diseñado específicamente para simular la degradación física y las distorsiones geométricas encontradas en la epigrafía.
3. Referencia de Rendimiento (Baseline Benchmark): El establecimiento de un punto de referencia de rendimiento utilizando una ResNet-18 modificada, validando la distintividad visual de la escritura curada y proporcionando un punto de referencia para futuros estudios de clasificación.

Resultados Experimentales
El modelo ResNet-18 modificado demostró una convergencia rápida y estable:

• Convergencia: El modelo alcanzó una precisión de validación del 100% para la tercera época, con una pérdida de validación que descendió a 0.0081.
• Rendimiento de Prueba: En el conjunto de prueba completamente inédito (495 imágenes), el modelo alcanzó una precisión de clasificación del 100.00%.
• Métricas: La precisión (precision), el recobro (recall) y las puntuaciones F1 alcanzaron 1.00 para todas las 33 clases de consonantes. La matriz de confusión confirmó que cada muestra de prueba fue clasificada correctamente, indicando que el conjunto de datos aumentado preservó con éxito la distintividad estructural de los caracteres.

Significancia y Limitaciones
El artículo posiciona este trabajo como un paso fundacional hacia la preservación digital del antiguo patrimonio de Myanmar. Al proporcionar el primer conjunto de datos estandarizado, permite la aplicación de técnicas modernas de visión por computadora a una escritura previamente inaccesible.

Sin embargo, los autores mantienen una perspectiva modesta y realista respecto a los resultados. Establecen explícitamente que el 100% de precisión se logró bajo condiciones controladas donde los caracteres estaban aislados, centrados y con alto contraste. Los autores advierten que este punto de referencia aún no resuelve el problema de reconocer inscripciones en piedra degradadas y con ruido encontradas en sitios arqueológicos, las cuales sufren de erosión, grietas y fondos complejos. Por consiguiente, este estudio sirve como un "escalón necesario" más que como una solución final. El trabajo futuro se identifica centrándose en la expansión del conjunto de datos para incluir vocales y diacríticos, y en la aplicación de la adaptación de dominio y el aprendizaje por transferencia para cerrar la brecha entre estas imágenes sintéticas limpias y la epigrafía de campo real.