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

Durante siglos, los estudiosos han estudiado los registros escritos más antiguos de la civilización china, los intrincados símbolos tallados en caparazones de tortuga y vasijas de bronce hace miles de años. Estos caracteres antiguos no son meramente dibujos; son un sistema complejo donde un solo concepto puede aparecer en docenas de formas ligeramente diferentes dependiendo de la era, la región o el material utilizado. El desafío para los investigadores modernos es enseñar a las computadoras a reconocer estos símbolos automáticamente. Esta no es una tarea simple de emparejar una imagen con una etiqueta. El sistema debe distinguir entre miles de caracteres visualmente similares, muchos de los cuales aparecen solo unas pocas veces en los registros históricos disponibles, mientras que otros aparecen con frecuencia. Esto crea un desequilibrio difícil donde la computadora ve algunos caracteres a menudo pero rara vez ve otros, lo que dificulta el aprendizaje del conjunto completo. Además, la calidad de estas imágenes antiguas varía enormemente, ya que algunas están dañadas por el tiempo, manchas de tinta o trazos faltantes, lo que añade otra capa de confusión para cualquier máquina que intente aprender de ellas.

Un equipo de investigadores ha construido ahora un campo de pruebas riguroso para ver qué sistemas de visión computacional modernos son más adecuados para este rompecabezas histórico específico. Se centraron en una colección masiva de más de 74,000 imágenes que representan 6,650 categorías distintas de caracteres antiguos, extraídas de cuatro periodos históricos principales que van desde los primeros huesos oraculares hasta el posterior estilo de sello pequeño. Para asegurar una comparación justa, sometieron a catorce arquitecturas computacionales diferentes al mismo proceso de entrenamiento y prueba, manteniendo todas las variables constantes para que los resultados dependieran únicamente del diseño del sistema en sí. El objetivo era ir más allá de experimentos aislados y establecer un ranking claro y reproducible de qué enfoques funcionan mejor para esta tarea de clasificación fina de alto nivel.

Los resultados revelaron una jerarquía clara entre los diferentes diseños de computadoras. El sistema que mejor funcionó fue una red convolucional moderna, un tipo de arquitectura que procesa imágenes escaneándolas con pequeños filtros para detectar patrones locales como líneas y curvas. Este modelo logró una precisión de aproximadamente el 74.5 por ciento, identificando correctamente la gran mayoría de los caracteres de prueba. Le siguió un sistema híbrido que combina el escaneo convolucional con mecanismos de atención, y luego un transformador jerárquico, que procesa las imágenes de manera estructurada y por capas. Curiosamente, los modelos más potentes y grandes no ganaron. Uno de los sistemas más grandes, que utiliza un enfoque basado puramente en la atención y tiene cuatro veces más parámetros ajustables que el ganador, funcionó significativamente peor, quedando por debajo en más de nueve puntos porcentuales. Este hallazgo sugiere que, para esta tarea específica, la forma en que se construye un modelo importa mucho más que qué tan grande sea. Un modelo con menos parámetros pero con un diseño optimizado para detalles locales puede superar a un sistema masivo que intenta procesar la imagen completa a la vez.

Los investigadores también descubrieron que la dificultad de la tarea no se distribuye uniformemente entre todos los caracteres. El sistema funcionó excepcionalmente bien con los caracteres más comunes, que aparecían con frecuencia en los datos de entrenamiento, logrando más del 90 por ciento de precisión en estas categorías "principales". Sin embargo, el rendimiento disminuyó constantemente a medida que los caracteres se volvían más raros. Para los caracteres menos comunes, que constituían la mayoría del conjunto de datos, la precisión cayó a cerca del 60 por ciento. Estas categorías raras fueron responsables de casi dos tercios de todos los errores que cometió el sistema. Los errores no fueron aleatorios; casi siempre ocurrieron entre diferentes caracteres que se ven muy similares, como dos símbolos que difieren solo por un solo trazo o un componente pequeño. El sistema rara vez confundió diferentes versiones del mismo carácter, pero frecuentemente tuvo dificultades para distinguir entre dos caracteres distintos que compartían una estructura visual similar. Esto indica que el principal cuello de botella no es la variación dentro de un solo carácter a través del tiempo, sino la capacidad de distinguir entre diferentes caracteres que son casi idénticos.

Cuando los investigadores probaron cómo estos sistemas resistían ante imágenes degradadas, simulando el daño encontrado en artefactos antiguos reales, los rankings cambiaron. El sistema que fue el mejor en imágenes limpias no se mantuvo como el más robusto cuando se introdujo el ruido. Un modelo híbrido que ocupó el segundo lugar en datos limpios resultó ser el más resiliente, reteniendo un mayor porcentaje de su precisión cuando las imágenes estaban borrosas o tenían partes faltantes. En contraste, el modelo con mejor desempeño en datos limpios sufrió un declive más agudo cuando las imágenes estaban dañadas, particularmente cuando los trazos se erosionaron. Esto sugiere que las características de diseño que hacen que un modelo sea excelente reconociendo imágenes perfectas no necesariamente lo hacen el más confiable para documentos históricos del mundo real, que suelen ser imperfectos.

El estudio también examinó si los resultados eran estables o simplemente el resultado de una ejecución de entrenamiento con suerte. Al repetir todo el experimento con diferentes puntos de partida aleatorios, los investigadores encontraron que los mejores exponentes se mantenían consistentes. El mejor modelo permaneció en la cima, y el grupo de los tres mejores modelos no cambió, independientemente de cómo se inició el entrenamiento. Sin embargo, algunos de los modelos con menor rendimiento mostraron cambios drásticos en su desempeño dependiendo de la semilla aleatoria, con una variación de precisión de hasta veinticinco puntos porcentuales entre ejecuciones. Esta inestabilidad sugiere que, mientras los diseños líderes son robustos y confiables, algunas de las arquitecturas más antiguas o menos optimizadas son propensas al fallo y no pueden confiarse para producir resultados consistentes sin un ajuste cuidadoso.

En última instancia, este trabajo proporciona un mapa claro para la investigación futura en la paleografía digital. Muestra que para el reconocimiento de caracteres chinos antiguos, un modelo que equilibre la eficiencia con la detección de detalles locales es superior a simplemente usar el sistema más grande disponible. Destaca que el mayor desafío radica en distinguir entre caracteres visualmente similares y raros, en lugar de manejar la variación de los caracteres comunes. Al establecer un estándar de referencia, los investigadores han dado a la comunidad un lenguaje común para discutir el progreso, asegurando que las mejoras futuras se midan contra una base sólida y reproducible, en lugar de experimentos aislados e incomparables. El camino a seguir implica utilizar estos conocimientos para desarrollar métodos especializados para los caracteres raros y construir sistemas que puedan resistir la degradación física inherente al registro histórico.