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

Per secoli, gli studiosi hanno studiato le prime registrazioni scritte della civiltà cinese, gli intricati simboli incisi su gusci di tartaruga e vasi di bronzo migliaia di anni fa. Questi antichi caratteri non sono semplici immagini; sono un sistema complesso in cui un singolo concetto può apparire in decine di forme leggermente diverse a seconda dell'epoca, della regione o del materiale utilizzato. La sfida per i ricercatori moderni è insegnare ai computer a riconoscere automaticamente questi simboli. Questo non è un semplice compito di associazione di un'immagine a un'etichetta. Il sistema deve distinguere tra migliaia di caratteri visivamente simili, molti dei quali appaiono solo poche volte nei record storici disponibili, mentre altri appaiono frequentemente. Ciò crea uno squilibrio difficile in cui il computer vede alcuni caratteri spesso ma ne vede raramente altri, rendendo difficile l'apprendimento dell'intero set. Inoltre, la qualità di queste immagini antiche varia enormemente, con alcune danneggiate dal tempo, macchie d'inchiostro o tratti mancanti, aggiungendo un ulteriore livello di confusione per qualsiasi macchina che cerchi di imparare da esse.

Un team di ricercatori ha ora costruito un rigoroso banco di prova per vedere quali sistemi di visione artificiale moderni siano più adatti a questo specifico enigma storico. Si sono concentrati su una vasta collezione di oltre 74.000 immagini che rappresentano 6.650 distinte categorie di caratteri antichi, tratti da quattro grandi periodi storici che vanno dalle primissime ossa oracolari al successivo stile del piccolo sigillo. Per garantire un confronto equo, hanno sottoposto quattordici diverse architetture informatiche allo stesso identico processo di addestramento e test, mantenendo costanti tutte le variabili affinché i risultati dipendessero esclusivamente dal design del sistema stesso. L'obiettivo era andare oltre gli esperimenti isolati ed établire una classifica chiara e riproducibile di quali approcci funzionino effettivamente meglio per questo compito di classificazione fine e ad alto rischio.

I risultati hanno rivelato una chiara gerarchia tra i diversi design informatici. Il sistema che ha ottenuto le prestazioni migliori era una rete convoluzionale moderna, un tipo di architettura che elabora le immagini scansionandole con piccoli filtri per rilevare pattern locali come linee e curve. Questo modello ha raggiunto un'accuratezza di circa il 74,5 percento, identificando correttamente la stragrande maggioranza dei caratteri di test. È stato seguito da un sistema ibrido che combina la scansione convoluzionale con meccanismi di attenzione, e poi da un transformer gerarchico, che elabora le immagini in modo strutturato e stratificato. Curiosamente, i modelli più potenti e grandi non hanno vinto. Uno dei sistemi più grandi, che utilizza un approccio basato puramente sull'attenzione e ha quattro volte i parametri regolabili del vincitore, è stato significativamente peggiore, restando indietro di oltre nove punti percentuali. Questo reperto suggerisce che, per questo compito specifico, il modo in cui un modello è costruito conta molto più di quanto sia grande. Un modello con meno parametri ma un design ottimizzato per i dettagli locali può superare un sistema massiccio che cerca di elaborare l'intera immagine in una volta sola.

I ricercatori hanno anche scoperto che la difficoltà del compito non è distribuita uniformemente tra tutti i caratteri. Il sistema ha ottenuto prestazioni eccezionali sui caratteri più comuni, che apparivano frequentemente nei dati di addestramento, raggiungendo oltre il 90 percento di accuratezza su queste categorie "testa". Tuttavia, le prestazioni sono diminuite costantemente man mano che i caratteri diventavano più rari. Per i caratteri meno comuni, che costituivano la maggior parte del dataset, l'accuratezza è scesa a circa il 60 percento. Queste categorie rare sono state responsabili di quasi due terzi degli errori commessi dal sistema. Gli errori non erano casuali; accadevano quasi sempre tra caratteri diversi che apparivano molto simili, come due simboli che differiscono per un singolo tratto o un piccolo componente. Il sistema raramente confondeva versioni diverse dello stesso carattere, ma faticava frequentemente a distinguere tra due caratteri distinti che condividevano una struttura visiva simile. Ciò indica che il collo di bottiglia principale non è la variazione all'interno di un singolo carattere nel tempo, ma la capacità di distinguere tra diversi caratteri che appaiono quasi identici.

Quando i ricercatori hanno testato come questi sistemi resistessero di fronte a immagini degradate, simulando i danni presenti sui veri manufatti antichi, le classifiche sono cambiate. Il sistema che era il migliore sulle immagini pulite non è rimasto il più robusto quando veniva introdotto il rumore. Un modello ibrido che si era classificato secondo sui dati puliti si è rivelato il più resiliente, mantenendo una percentuale più alta della sua accuratezza quando le immagini erano sfocate o presentavano parti mancanti. Al contrario, il modello con le migliori prestazioni sui dati puliti ha subito un declino più netto quando le immagini erano danneggiate, in particolare quando i tratti erano erosi. Ciò suggerisce che le caratteristiche di design che rendono un modello eccellente nel riconoscere immagini perfette non rendono necessariamente il modello più affidabile per i documenti storici reali, che sono spesso imperfetti.

Lo studio ha anche esaminato se i risultati fossero stabili o solo il frutto fortunato di una specifica sessione di addestramento. Ripetendo l'intero esperimento con diversi punti di partenza casuali, i ricercatori hanno trovato che i migliori performer rimanevano costanti. Il miglior modello restava in cima, e il gruppo dei primi tre modelli non cambiava, indipendentemente da come l'addestramento fosse stato avviato. Tuttavia, alcuni dei modelli con prestazioni inferiori mostravano oscillazioni selvagge nelle prestazioni a seconda del seed casuale, con la loro accuratezza che variava fino al venticinque percento tra una corsa e l'altra. Questa instabilità suggerisce che, mentre i design leader sono robusti e affidabili, alcune architetture più vecchie o meno ottimizzate sono soggette a fallimenti e non possono essere affidate per produrre risultati coerenti senza una calibrazione attenta.

In definitiva, questo lavoro fornisce una mappa chiara per la ricerca futura nella paleografia digitale. Dimostra che, per il riconoscimento dei caratteri cinesi antichi, un modello che bilancia l'efficienza con la rilevazione del dettaglio locale è superiore al semplice utilizzo del sistema più grande disponibile. Evidenzia che la sfida più grande risiede nel distinguere tra caratteri visivamente simili e rari, piuttosto che nel gestire la variazione di quelli comuni. Stabilendo un benchmark standardizzato, i ricercatori hanno fornito alla comunità un linguaggio comune per discutere i progressi, assicurando che i miglioramenti futuri siano misurati contro una base solida e riproducibile, piuttosto che su esperimenti isolati e incomparabili. La strada da seguire consiste nell'utilizzare queste intuizioni per sviluppare metodi specializzati per i caratteri rari e per costruire sistemi che possano resistere al degrado fisico intrinseco nella registrazione storica.