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

Depuis des siècles, les chercheurs étudient les premiers enregistrements écrits de la civilisation chinoise, les symboles complexes gravés sur des carapaces de tortues et des vases de bronze il y a des milliers d'années. Ces caractères anciens ne sont pas de simples dessins ; ils constituent un système complexe où un concept unique peut apparaître sous des dizaines de formes légèrement différentes selon l'époque, la région ou le matériau utilisé. Le défi pour les chercheurs modernes est d'apprendre aux ordinateurs à reconnaître ces symboles automatiquement. Il ne s'agit pas d'une simple tâche de correspondance entre une image et une étiquette. Le système doit distinguer des milliers de caractères visuellement similaires, dont beaucoup n'apparaissent que quelques fois dans les archives historiques disponibles, tandis que d'autres apparaissent fréquemment. Cela crée un déséquilibre difficile où l'ordinateur voit souvent certains caractères mais en voit rarement d'autres, ce qui rend l'apprentissage de l'ensemble complet ardu. De plus, la qualité de ces images anciennes varie considérablement, certaines étant endommagées par le temps, des taches d'encre ou des traits manquants, ajoutant un autre niveau de confusion pour toute machine tentant d'apprendre à partir d'elles.

Une équipe de chercheurs a désormais construit un terrain d'essai rigoureux pour déterminer quels systèmes de vision par ordinateur modernes sont les mieux adaptés à ce puzzle historique spécifique. Ils se sont concentrés sur une collection massive de plus de 74 000 images représentant 6 650 catégories de caractères anciens distinctes, tirées de quatre grandes périodes historiques allant des premières os scapulaires jusqu'au style de la petite écriture sigillaire plus tardive. Pour garantir une comparaison équitable, ils ont soumis quatorze architectures informatiques différentes au même processus d'entraînement et de test, maintenant chaque variable constante afin que les résultats dépendent uniquement de la conception du système lui-même. L'objectif était d'aller au-delà des expériences isolées et d'établir un classement clair et reproductible des approches qui fonctionnent réellement le mieux pour cette tâche de classification fine et à enjeux élevés.

Les résultats ont révélé une hiérarchie claire parmi les différentes conceptions informatiques. Le système qui a le mieux performé était un réseau convolutif moderne, un type d'architecture qui traite les images en les balayant avec de petits filtres pour détecter des motifs locaux comme des lignes et des courbes. Ce modèle a atteint une précision d'environ 74,5 %, identifiant correctement la vaste majorité des caractères de test. Il était suivi par un système hybride qui combine le balayage convolutif avec des mécanismes d'attention, puis par un transformeur hiérarchique, qui traite les images de manière structurée et par couches. Curieusement, les modèles les plus puissants et les plus grands n'ont pas gagné. L'un des systèmes les plus volumineux, qui utilise une approche basée uniquement sur l'attention et possède quatre fois plus de paramètres ajustables que le vainqueur, a été nettement moins performant, accusant un retard de plus de neuf points de pourcentage. Cette découverte suggère que pour cette tâche spécifique, la manière dont un modèle est construit importe bien plus que sa taille. Un modèle avec moins de paramètres mais une conception optimisée pour les détails locaux peut surpasser un système massif qui tente de traiter l'image entière d'un seul coup.

Les chercheurs ont également découvert que la difficulté de la tâche n'est pas répartie uniformément entre tous les caractères. Le système a été exceptionnellement performant sur les caractères les plus courants, qui apparaissaient fréquemment dans les données d'entraînement, atteignant plus de 90 % de précision sur ces catégories dites de « tête ». Cependant, la performance a chuté régulièrement à mesure que les caractères devenaient plus rares. Pour les catégories les moins communes, qui constituaient la majorité du jeu de données, la précision est tombée à environ 60 %. Ces catégories rares étaient responsables de près des deux tiers des erreurs commises par le système. Les erreurs n'étaient pas aléatoires ; elles se produisaient presque toujours entre différents caractères qui se ressemblent beaucoup, tels que deux symboles ne différant que par un seul trait ou un petit composant. Le système confondait rarement différentes versions d'un même caractère, mais il peinait fréquemment à distinguer deux caractères distincts partageant une structure visuelle similaire. Cela indique que le principal goulot d'étranglement n'est pas la variation au sein d'un même caractère à travers le temps, mais la capacité à distinguer entre deux caractères différents qui se ressemblent presque de manière identique.

Lorsque les chercheurs ont testé la résistance de ces systèmes face à des images dégradées, simulant les dommages présents sur les véritables artefacts anciens, les classements ont changé. Le système qui était le meilleur sur des images nettes n'est pas resté le plus robuste lorsque du bruit a été introduit. Un modèle hybride qui arrivait en deuxième position sur des données nettes s'est avéré être le plus résilient, conservant un pourcentage de précision plus élevé lorsque les images étaient floues ou comportaient des parties manquantes. En revanche, le modèle le plus performant sur des images nettes a subi un déclin plus marqué lorsque les images étaient endommagées, particulièrement lorsque les traits étaient érodés. Cela suggère que les caractéristiques de conception qui rendent un modèle excellent pour reconnaître des images parfaites ne le rendent pas nécessairement plus fiable pour les documents historiques réels, qui sont souvent imparfaits.

L'étude a également examiné si les résultats étaient stables ou simplement le fruit d'un résultat chanceux d'un entraînement spécifique. En répétant l'expérience entière avec différents points de départ aléatoires, les chercheurs ont constaté que les meilleurs performeurs restaient constants. Le meilleur modèle demeurait en tête, et le groupe des trois meilleurs modèles ne changeait pas, quelle que soit la manière dont l'entraînement était initié. Cependant, certains des modèles les moins performants montraient des variations spectaculaires de performance selon la graine aléatoire, leur précision variant de plus de vingt-cinq points de pourcentage entre les sessions. Cette instabilité suggère que, si les conceptions de premier plan sont robustes et fiables, certaines architectures plus anciennes ou moins optimisées sont sujettes à l'échec et ne peuvent être fiables pour produire des résultats cohérents sans un réglage minutieux.

En fin de compte, ce travail fournit une carte claire pour la recherche future en paléographie numérique. Il démontre que pour la reconnaissance des caractères chinois anciens, un modèle qui équilibre l'efficacité avec la détection de détails locaux est supérieur au simple fait d'utiliser le système le plus grand disponible. Il souligne que le plus grand défi réside dans la distinction entre des caractères visuellement similaires et rares, plutôt que dans la gestion de la variation des caractères communs. En établissant un banc d'essai standardisé, les chercheurs ont donné à la communauté un langage commun pour discuter des progrès, garantissant que les améliorations futures soient mesurées par rapport à une base solide et reproductible, plutôt que par rapport à des expériences isolées et incomparables. La voie à suivre consiste à utiliser ces enseignements pour développer des méthodes spécialisées pour les caractères rares et pour construire des systèmes capables de résister à la dégradation physique inhérente aux archives historiques.