The Cretogram Dataset for Isolated Character Recognition in Archaic and Classical Crete
이 논문은 아르카익 및 고전기 크레타의 수기로 주석을 달아 제작한 11,611개의 고립된 비문 문자로 구성된 새로운 데이터셋인 Cretogram을 소개하고, HOG-SVM 및 딥러닝 모델을 이용한 계산적 인식을 위한 그 유용성을 평가하며, ResNet-18을 통해 95.53%의 최고 macro-F1 점수를 달성하는 동시에 해당 스크립트의 지역적 변이에 내재된 특정 문자의 혼동을 강조한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
고대 문자를 연구하는 것은 마치 페이지가 찢겨 나가고, 잉크는 바래졌으며, 글자들이 수 세기에 걸친 풍화 작용으로 인해 그 형태가 변해버린 책을 읽으려는 것과 같다. 돌에 새겨지거나 금속에 주조된 비문을 연구하는 학문인 금석학(epigraphy) 분야에서, 학자들은 이러한 흔적들을 해독하기 위해 오랫동안 자신의 눈에 의존해 왔다. 그들은 한 그리스 도시에서 새겨진 글자의 곡선과 다른 도시에서 새겨진 동일한 글자를 비교하며, 그 미세한 차이를 통해 돌이 어디서 만들어졌는지 또는 언제 쓰였는지를 밝혀낸다. 크레타섬의 경우, 이 작업은 특히 복잡하다. 아르카익기와 고전기 동안 이 섬은 단일하고 통일된 문자 문화를 가진 것이 아니라, 여러 지역적 전통의 집합체였다. 각 도시 국가는 알파벳을 그리는 방식에서 자신들만의 미세한 변형을 발전시켰다. 한 마을에서는 표준적인 "A"처럼 보이는 글자가 이웃한 계곡의 마을에서는 다른 형태를 띨 수도 있었다. 이러한 작은 변형들은 고대 세계의 역사와 지리을 이해하는 핵심이지만, 컴퓨터가 학습하기에는 매우 어렵다. 왜냐하면 컴퓨터는 실제 양식의 차이와 단순한 얼룩 또는 부서진 돌 조각 사이를 구별해야 하기 때문이다.
아리스토텔레스 대학교 테살로니키 연구팀은 '크레토그램(Cretogram)'이라는 새로운 디지털 자원을 만들어 이 과제에 도전했다. 그들의 목표는 인간 독자에게 맥락을 제공하는 주변 단어의 도움 없이, 컴퓨터가 이러한 고대 크레타 글자들을 개별적으로 인식하도록 가르치는 것이었다. 이를 위해 그들은 단순히 오래된 사진을 스캔한 것이 아니라, 전문가들이 수십 년간 완성해 온 학술적 도면과 전사본(transcriptions)을 거슬러 올라갔다. 187개의 특정 비문으로부터 11,611개의 개별 문자를 정교하게 추출했다. 각 문자는 정돈되고 균일한 크기로 표준화되었으며, 올바른 정체성이 라벨링되었다. 하지만 결정적으로, 연구진은 원래의 돌과 연결되는 디지털 링크를 유지했다. 이 연결은 매우 중요한데, 이는 컴퓨터를 현실적인 방식으로 테스트할 수 있게 해주기 때문이다. 연구진은 일부 비문으로 시스템을 학습시킨 다음, 이전에 전혀 본 적 없는 완전히 다른 비문에서 나온 글자들을 식별하도록 컴퓨터에게 요청했다. 이 방법은 컴퓨터가 단순히 특정 석공의 특정 양식을 암기하는 것이 아니라, 글자의 실제 형태를 학습하도록 보장한다.
이 실험의 결과는 현대 인공지능이 실제로 이러한 고대 형태를 마스터할 수 있음을 보여주었지만, 동시에 특정한 장애물에 직면해 있음도 보여주었다. 연구진은 이 문제에 대해 세 가지 서로 다른 접근 방식을 테스트했다. 한 방법은 형태의 가장자리와 각도를 살펴보는 전통적인 기법을 사용했다. 두 번째 방법은 뇌가 시각적 패턴을 처리하는 방식을 모방하도록 설계된 유형의 컴퓨터 프로그램인, 소형의 맞춤형 신경망을 사용했다. 세 번째 방법은 고양이와 자동차 같은 일상적인 이미지를 수백만 개 학습한 후 이 고대 글자들에 적응시킨 훨씬 더 큰 사전 학습 시스템을 사용했다. 가장 큰 시스템이 가장 우수한 성능을 보였으며, 테스트 케이스의 거의 98%에서 글자를 정확히 식별해 냈다. 이 시스템은 크레타 알파벳의 다양한 지역적 변형을 성공적으로 구분해 냈으며, 이는 기계가 이러한 고대 쓰기 전통을 정의하는 미세한 차이를 학습할 수 있음을 증명했다.
그러나 이 연구는 기계가 여전히 어려움을 겪는 부분을 드러내며, 단 하나의 글자를 진공 상태에서 바라보는 것의 한계를 강조했다. 컴퓨터는 에프실론(epsilon)과 디감마(digamma), 또는 감마(gamma)와 람다(lambda)와 같은 특정 글자 쌍을 자주 혼동했다. 이러한 혼동의 많은 경우, 그것은 소프트웨어의 실패가 아니라 원본 자료 자체가 가진 모호함을 반영한 것이었다. 때때로 글자는 희미하거나 부서진 획으로 새겨져 있으며, 그 형태는 의미를 파악하기 위해 전적으로 옆에 있는 글자들에 의존하기도 한다. 맥락이 되는 전체 단어 없이는 인간 전문가조차 망설일 수 있다. 연구진은 학습과 테스트 단계 모두에서 동일한 비문의 글자를 보도록 컴퓨터에게 허용했을 때 성능이 약간 향상된다는 것을 발견했다. 이는 컴퓨터가 단일 석공의 일관된 양식을 보는 것에서 도움을 받는다는 것을 시사하지만, 완전히 새로운 돌에서 나온 글자를 인식하는 엄격한 테스트는 여전히 가장 어렵고도 중요한 과제로 남아 있다.
이 연구의 의의는 데이터셋 자체에 있다. 저자들은 이 11,611개의 이미지를 코드와 함께 다른 연구자들에게 공개함으로써 향후 연구를 위한 공통의 토대를 마련했다. 그들은 컴퓨터가 이제 이러한 고대 글자들을 높은 정확도로 읽을 수 있지만, 가장 어려운 사례들은 오직 인간 학자만이 제공할 수 있는 역사적 맥락을 필요로 한다는 것을 보여주었다. 이 프로젝트는 고대 크레타 쓰기의 미스터리를 해결했다고 주장하는 것이 아니라, 이를 조사하기 위한 강력한 새로운 도구를 구축한 것이다. 연구진은 세심한 역사적 학술 연구와 현대적 머신 러닝을 결부터 함으로써, 2천 년 넘게 살아남은 지역 알파벳의 독특한 시각적 지문을 보존하고 분석하는 것이 가능하다는 것을 입증했다. 이러한 접근 방식은 디지털 세계가 과거의 복잡성을 존중하며, 어떤 답은 단 하나의 글자 모양뿐만 아니라 그 글자가 새겨진 돌의 이야기 속에 있다는 점을 인정하게 한다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.