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

技術要約：ピュー文字認識によるミャンマーの古代遺産の保存

問題提起
ミャンマーの文化的遺産の基礎的要素であり、ユネスコに認められた歴史的な表記体系である古代のピュー（Pyu）文字は、デジタル保存における決定的なボトルネックに直面している。紀元前1世紀から紀元後9世紀にかけての石、粘土、金属に残された極めて貴重な碑文が存在するにもかかわらず、ピュー語には標準化された計算リソースが欠如している。具体的には、この文字はUnicodeコンソーシアムの下でまだ形式化されていないため、標準的な自然言語処理（NLP）パイプラインや光学文字認識（OCR）エンジンの使用が妨げられている。さらに、現代のディープラーニングモデルを訓練するために必要な、標準化されラベル付けされた計算用データセットが完全に存在しない。近年のビルマ文字認識（例：myMNIST）における進展ではディープラーニングが活用されているが、訓練データの欠如と、この文字が独特かつ絶滅した性質を持つことから、これらの手法をピュー文字に適用することはできない。

手法
このデジタルの溝を埋めるために、本研究は多段階のワークフローを通じて、ピュー文字をデジタル化、拡張、分類するための包括的なフレームワークを提案する。

1. データセットのキュレーションと物理的取得：

   • 参照： 本研究は、Thiripyanchi U Tha Myatによる『Pyu Reader: A History of Pyu Alphabet』[1]の正典表に厳密に従い、33種類のピュー子音を対象としている。
   • 取得： デジタルフォントが存在しないため、著者は33種類の各子音に対して、白紙に黒インクを用いて25種類の独自の様式変化を手書きで作成した。これにより、825枚の生画像（33クラス × 25バリエーション）のベースラインが得られた。
   • 前処理： 画像は制御された照明下でデジタル化され、224 × 224ピクセルにリサイズされ、シングルチャネルのグレースケールに変換された後、高コントラストな黒背景上の白ストロークを生成するために二値化された。

2. データ拡張プロトコル：

   • データの不足を緩和し、歴史的な碑文に見られる物理的な不規則性（風化、侵食、カメラのパースペクティブなど）をシミュレートするために、マルチオペレータによる拡張パイプラインを適用した。
   • データセットは、以下の5つの変換を用いて6倍に拡張された（825枚から4,950枚へ）。
     • 回転（Rotation）： -10°から10°の間のランダムな角度。
     • 平行移動（Translation）： 水平および垂直軸方向に±10ピクセルのランダムなシフト。
     • ガウスぼかし（Gaussian Blur）： インクの拡散や石の侵食をシミュレート（σ = 0）。
     • アフィン変換（Affine Transformation）： シェアリング（せん断）とストレッチングによる、ストロークの速度や圧力の変化のシミュレート。
     • 透視変換（Perspective Transformation）： 考古学的な写真撮影において一般的な、垂直ではないカメラ角度のシミュレート。

3. モデルアーキテクチャと訓練：

   • アーキテクチャ： 改良されたシングルチャネルのResNet-18を採用した。最初の畳み込み層は、3チャネルのRGBではなく、1チャネルのグレースケール入力（224×224×1）を受け入れるように変更され、最終的な全結合層は33クラスを出力するように再構成された。
   • 訓練設定： データセットは、80%の訓練セット（3,960枚）、10%の検証セット（495枚）、10%のテストセット（495枚）に層化された。訓練にはAdamWオプティマイザ、カテゴリカルクロスエントロピー損失、学習率0.001、バッチサイズ64を用い、デュアルNVIDIA T4 GPU上で10エポック実行した。

主な貢献
本論文は、計算古文献学の分野において主に3つの貢献を行う。

1. 初の公開ピュー・データセット： GitHub、Hugging Face、Kaggleで公開されている、33種類のピュー子音を体系的にキュレーションした初のハンドライティング・データセットの導入。
2. 特化した拡張プロトコル： 低リソースの歴史的言語に特化して設計された、堅牢なデータ拡張パイプラインの定義。これは、碑文に見られる物理的な劣化や幾何学的な歪みをシミュレートするように特別に設計されている。
3. ベースライン・ベンチマーク： 改良されたResNet-18を用いた性能ベンチマークの確立。これにより、キュレーションされた文字の視覚的な識別性を検証し、将来の分類研究のための参照点を提供する。

実験結果
改良されたResNet-18モデルは、迅速かつ安定した収束を示した。

• 収束： モデルは第3エポックまでに100%の検証精度に達し、検証損失は0.0081まで低下した。
• テスト性能： 全く未知のテストセット（495枚）において、モデルは100.00%の分類精度を達成した。
• 指標： 精度（Precision）、再現率（Recall）、F1スコアは、全33のコンソナントクラスにおいて1.00に達した。混同行列（Confusion Matrix）は、すべてのテストサンプルが正しく分類されたことを確認しており、拡張されたデータセットが文字の構造的な識別性を正常に保持していることを示している。

意義と限界
本論文は、この研究をミャンマーの古代遺産のデジタル保存に向けた基礎的な一歩として位置づけている。標準化されたデータセットを提供することで、これまでアクセス不可能であった文字への現代的なコンピュータビジョン技術の適用を可能にする。

しかし、著者らは結果に対して謙虚かつ現実的な見解を維持している。彼らは、100%の精度は、文字が孤立し、中央に配置され、高コントラストであるという制御された条件下で達成されたものであると明示している。著者らは、このベースラインは、侵食、亀裂、複雑な背景に悩まされる、考古学現場で見られるような劣化したノイズの多い現実世界の石碑の認識問題を、まだ解決するものではないと警告している。したがって、本研究は最終的な解決策ではなく、必要な「踏み台」としての役割を果たすものである。今後の課題としては、母音やダイアクリティカルマーク（記号）を含めるためのデータセットの拡張、および、これらのクリーンな合成画像と実際のフィールドの碑文との間の溝を埋めるためのドメイン適応および転移学習の適用が挙げられている。