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

सदियों से, विद्वानों ने चीनी सभ्यता के सबसे शुरुआती लिखित अभिलेखों का अध्ययन किया है, जो हजारों साल पहले कछुए के खोल और कांस्य पात्रों पर उकेरे गए जटिल प्रतीक थे। ये प्राचीन अक्षर केवल चित्र नहीं हैं; वे एक जटिल प्रणाली हैं जहाँ एक एकल अवधारणा युग, क्षेत्र या उपयोग की गई सामग्री के आधार पर दर्जनों थोड़े अलग रूपों में दिखाई दे सकती है। आधुनिक शोधकर्ताओं के लिए चुनौती कंप्यूटर को इन प्रतीकों को स्वचालित रूप से पहचानना सिखाना है। यह किसी चित्र को लेबल से मिलाने का एक सरल कार्य नहीं है। सिस्टम को हजारों दृष्टिगत रूप से समान अक्षरों के बीच अंतर करना चाहिए, जिनमें से कई उपलब्ध ऐतिहासिक रिकॉर्डों में केवल कुछ ही बार दिखाई देते हैं, जबकि अन्य बार-बार दिखाई देते हैं। यह एक कठिन असंतुलन पैदा करता है जहाँ कंप्यूटर कुछ अक्षरों को अक्सर देखता है लेकिन दूसरों को बहुत कम देखता है, जिससे पूरे सेट को सीखना कठिन हो जाता है। इसके अलावा, इन प्राचीन छवियों की गुणवत्ता बहुत भिन्न होती है, जिनमें से कुछ समय के साथ क्षतिग्रस्त हो गई हैं, स्याही के धब्बे हैं, या स्ट्रोक गायब हैं, जो किसी भी मशीन के लिए सीखने की प्रक्रिया में भ्रम का एक और स्तर जोड़ देते हैं।

शोधकर्ताओं की एक टीम ने अब एक कठोर परीक्षण आधार तैयार किया है ताकि यह देखा जा सके कि कौन से आधुनिक कंप्यूटर विज़न सिस्टम इस विशिष्ट ऐतिहासिक पहेली के लिए सबसे उपयुक्त हैं। उन्होंने 74,000 से अधिक छवियों के एक विशाल संग्रह पर ध्यान केंद्रित किया जो 6,650 विशिष्ट प्राचीन चरित्र श्रेणियों का प्रतिनिधित्व करते हैं, जो सबसे शुरुआती ओरेकल बोन्स (oracle bones) से लेकर बाद के स्मॉल सील स्क्रिप्ट तक के चार प्रमुख ऐतिहासिक कालखंडों से लिए गए हैं। एक निष्पक्ष तुलना सुनिश्चित करने के लिए, उन्होंने चौदह अलग-अलग कंप्यूटर आर्किटेक्चर को बिल्कुल एक ही प्रशिक्षण और परीक्षण प्रक्रिया से गुजारा, जिससे प्रत्येक चर (variable) स्थिर रहा ताकि परिणाम पूरी तरह से सिस्टम के डिज़ाइन पर निर्भर हों। लक्ष्य अलग-थलग प्रयोगों से आगे बढ़कर यह स्थापित करना था कि कौन से दृष्टिकोण वास्तव में इस उच्च-दांव वाले, सूक्ष्म-स्तरीय वर्गीकरण कार्य के लिए सबसे अच्छा काम करते हैं।

परिणामों ने विभिन्न कंप्यूटर डिज़ाइनों के बीच एक स्पष्ट पदानुक्रम का खुलासा किया। सबसे अच्छा प्रदर्शन करने वाला सिस्टम एक आधुनिक कनवल्शनल नेटवर्क (convolutional network) था, जो एक प्रकार का आर्किटेक्चर है जो रेखाओं और वक्रों जैसे स्थानीय पैटर्न का पता लगाने के लिए छोटे फिल्टरों के साथ छवियों को स्कैन करके उन्हें प्रोसेस करता है। इस मॉडल ने लगभग 74.5 प्रतिशत की सटीकता प्राप्त की, जिससे इसने परीक्षण किए गए अधिकांश अक्षरों की सही पहचान की। इसके बाद एक हाइब्रिड सिस्टम आया जो कनवल्शनल स्कैनिंग को अटेंशन मैकेनिज्म (attention mechanisms) के साथ जोड़ता है, और फिर एक पदानुक्रमित ट्रांसफार्मर (hierarchical transformer), जो छवियों को एक संरचित, स्तरित तरीके से प्रोसेस करता है। दिलचस्प बात यह है कि सबसे शक्तिशाली और बड़े मॉडल नहीं जीते। सबसे बड़े सिस्टमों में से एक, जो एक शुद्ध अटेंशन-आधारित दृष्टिकोण का उपयोग करता है और जिसमें विजेता की तुलना में चार गुना अधिक एडजस्टेबल पैरामीटर हैं, काफी खराब प्रदर्शन कर गया, जो नौ प्रतिशत अंकों से पीछे रह गया। यह निष्कर्ष बताता है कि इस विशिष्ट कार्य के लिए, मॉडल कैसे बनाया गया है यह इस बात से कहीं अधिक महत्वपूर्ण है कि वह कितना बड़ा है। एक मॉडल जिसमें कम पैरामीटर हैं लेकिन जिसका डिज़ाइन स्थानीय विवरणों के लिए अनुकूलित है, एक विशाल सिस्टम से बेहतर प्रदर्शन कर सकता है जो एक साथ पूरी छवि को प्रोसेस करने की कोशिश करता है।

शोधकर्ताओं ने यह भी पाया कि कार्य की कठिनाई सभी अक्षरों में समान रूप से वितरित नहीं है। सिस्टम ने सबसे सामान्य पात्रों पर असाधारण रूप से अच्छा प्रदर्शन किया, जो प्रशिक्षण डेटा में बार-बार दिखाई देते थे, और इन "हेड" श्रेणियों पर 90 प्रतिशत से अधिक सटीकता प्राप्त की। हालांकि, जैसे-जैसे अक्षर दुर्लभ होते गए, प्रदर्शन लगातार गिरता गया। सबसे कम सामान्य पात्रों के लिए, जो डेटासेट का अधिकांश हिस्सा बनाते थे, सटीकता गिरकर लगभग 60 प्रतिशत रह गई। इन दुर्लभ श्रेणियों के कारण ही सिस्टम की गलतियों का लगभग दो-तिहाई हिस्सा हुआ। त्रुटियां यादृच्छिक (random) नहीं थीं; वे लगभग हमेशा उन विभिन्न अक्षरों के बीच हुईं जो दिखने में बहुत समान थे, जैसे कि दो प्रतीक जो केवल एक सिंगल स्ट्रोक या एक छोटे घटक से भिन्न होते हैं। सिस्टम ने एक ही अक्षर के विभिन्न संस्करणों के बीच भ्रमित होने की बहुत कम संभावना दिखाई, लेकिन वह दो अलग-अलग अक्षरों के बीच अंतर करने में संघर्ष करता रहा जो समान दृश्य संरचना साझा करते थे। यह इंगित करता है कि प्राथमिक बाधा समय के साथ एक एकल अक्षर के भीतर का परिवर्तन नहीं है, बल्कि दो अलग-अलग अक्षरों के बीच अंतर करने की क्षमता है जो लगभग एक जैसे दिखते हैं।

जब शोधकर्ताओं ने यह परीक्षण किया कि ये सिस्टम खराब छवियों के विरुद्ध कैसे टिकते हैं, जो वास्तविक प्राचीन कलाकृतियों में पाए जाने वाले नुकसान का अनुकरण करते हैं, तो रैंकिंग बदल गई। जो सिस्टम साफ छवियों पर सबसे अच्छा था, वह शोर (noise) पेश किए जाने पर सबसे अधिक मजबूत नहीं रहा। एक हाइब्रिड मॉडल, जिसने साफ डेटा पर दूसरे स्थान पर कब्जा किया था, सबसे लचीला साबित हुआ, जिसने धुंधली छवियों या लापता हिस्सों के मामले में अपनी सटीकता का उच्च प्रतिशत बनाए रखा। इसके विपरीत, साफ डेटा पर शीर्ष प्रदर्शन करने वाले मॉडल को क्षतिग्रस्त छवियों के साथ प्रदर्शन करने में भारी गिरावट का सामना करना पड़ा, विशेष रूप से जब स्ट्रोक घिस गए थे। यह सुझाव देता है कि वे डिज़ाइन विशेषताएँ जो एक मॉडल को पूर्ण छवियों को पहचानने में उत्कृष्ट बनाती हैं, आवश्यक रूप से उसे वास्तविक दुनिया के ऐतिहासिक दस्तावेजों के लिए सबसे विश्वसनीय नहीं बनाती हैं, जो अक्सर अपूर्ण होते हैं।

अध्ययन ने यह भी जांचा कि क्या परिणाम स्थिर थे या किसी विशिष्ट प्रशिक्षण रन का एक भाग्यशाली परिणाम मात्र थे। पूरे प्रयोग को विभिन्न रैंडम शुरुआती बिंदुओं के साथ दोहराकर, शोधकर्ताओं ने पाया कि शीर्ष प्रदर्शन करने वाले मॉडल सुसंगत रहे। सर्वश्रेष्ठ मॉडल शीर्ष पर बना रहा, और शीर्ष तीन मॉडलों का समूह नहीं बदला, चाहे प्रशिक्षण कैसे भी शुरू किया गया हो। हालांकि, कुछ निचले प्रदर्शन करने वाले मॉडलों ने रैंडम सीड (random seed) के आधार पर प्रदर्शन में भारी उतार-चढ़ाव दिखाया, जिसमें उनकी सटीकता विभिन्न रन के बीच बीस-पच्चीस प्रतिशत तक भिन्न हुई। यह अस्थिरता बताती है कि जबकि अग्रणी डिज़ाइन मजबूत और विश्वसनीय हैं, कुछ पुराने या कम अनुकूलित आर्किटेक्चर विफल होने के प्रति संवेदनशील हैं और सावधानीपूर्वक ट्यूनिंग के बिना भरोसेमंद नहीं हो सकते हैं।

अंततः, यह कार्य डिजिटल पेलियोग्राफी (paleography) के लिए भविष्य के अनुसंधान के लिए एक स्पष्ट मानचित्र प्रदान करता है। यह दिखाता है कि प्राचीन चीनी अक्षरों को पहचानने के लिए, एक मॉडल जो दक्षता और स्थानीय विवरण का पता लगाने के बीच संतुलन बनाता है, केवल सबसे बड़े उपलब्ध सिस्टम का उपयोग करने से बेहतर है। यह उजागर करता है कि सबसे बड़ी चुनौती सामान्य के रूपांतरण को संभालने के बजाय दृष्टिगत रूप से समान, दुर्लभ पात्रों के बीच अंतर करना है। एक मानकीकृत बेंचमार्क स्थापित करके, शोधकर्ताओं ने समुदाय को प्रगति पर चर्चा करने के लिए एक सामान्य भाषा दी है, यह सुनिश्चित करते हुए कि भविष्य के सुधारों को अलग-थलग, तुलनीय न होने वाले प्रयोगों के बजाय एक ठोस, पुनरुत्पादक आधार के विरुद्ध मापा जाए। आगे का रास्ता इन अंतर्दृष्टि का उपयोग करके दुर्लभ पात्रों के लिए विशिष्ट विधियों को विकसित करने और ऐसे सिस्टम बनाने में निहित है जो ऐतिहासिक रिकॉर्ड में निहित भौतिक क्षरण का सामना कर सकें।