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

Durante séculos, estudiosos têm estudado os primeiros registros escritos da civilização chinesa, os intrincados símbolos esculpidos em cascos de tartaruga e vasos de bronze milhares de anos atrás. Esses caracteres antigos não são meramente imagens; são um sistema complexo onde um único conceito pode aparecer em dezenas de formas ligeiramente diferentes, dependendo da era, da região ou do material utilizado. O desafio para os pesquisadores modernos é ensinar computadores a reconhecer esses símbolos automaticamente. Esta não é uma tarefa simples de associar uma imagem a um rótulo. O sistema deve distinguir entre milhares de caracteres visualmente semelhantes, muitos dos quais aparecem apenas algumas vezes nos registros históricos disponíveis, enquanto outros aparecem frequentemente. Isso cria um desequilíbrio difícil, onde o computador vê alguns caracteres com frequência, mas raramente vê outros, tornando difícil aprender o conjunto completo. Além disso, a qualidade dessas imagens antigas varia drasticamente, com algumas danificadas pelo tempo, manchas de tinta ou traços ausentes, adicionando outra camada de confusão para qualquer máquina que tente aprender com elas.

Uma equipe de pesquisadores construiu agora um campo de testes rigoroso para ver quais sistemas de visão computacional modernos são mais adequados para este enigma histórico específico. Eles se concentraram em uma coleção massiva de mais de 74.000 imagens representando 6.650 categorias distintas de caracteres antigos, extraídas de quatro grandes períodos históricos, desde os primordiais ossos oraculares até o posterior estilo de selo pequeno. Para garantir uma comparação justa, eles submeteram quatorze arquiteturas de computador diferentes ao exato mesmo processo de treinamento e teste, mantendo todas as variáveis constantes para que os resultados dependessem exclusivamente do design do próprio sistema. O objetivo era ir além de experimentos isolados e estabelecer um ranking claro e reproduzível de quais abordagens realmente funcionam melhor para esta tarefa de classificação de alto nível e detalhada.

Os resultados revelaram uma hierarquia clara entre os diferentes designs de computador. O sistema que teve o melhor desempenho foi uma rede convolucional moderna, um tipo de arquitetura que processa imagens ao escanear padrões locais como linhas e curvas através de pequenos filtros. Este modelo alcançou uma precisão de aproximadamente 74,5 por cento, identificando corretamente a vasta maioria dos caracteres de teste. Foi seguido por um sistema híbrido que combina o escaneamento convolucional com mecanismos de atenção, e depois por um transformer hierárquico, que processa imagens de uma forma estruturada e em camadas. Curiosamente, os modelos mais poderosos e maiores não venceram. Um dos maiores sistemas, que utiliza uma abordagem baseada puramente em atenção e possui quatro vezes mais parâmetros ajustáveis que o vencedor, teve um desempenho significativamente inferior, ficando abaixo em mais de nove pontos percentuais. Essa descoberta sugere que, para esta tarefa específica, a forma como um modelo é construído importa muito mais do que o seu tamanho. Um modelo com menos parâmetros, mas com um design otimizado para detalhes locais, pode superar um sistema massivo que tenta processar a imagem inteira de uma só vez.

Os pesquisadores também descobriram que a dificuldade da tarefa não é distribuída uniformemente entre todos os caracteres. O sistema teve um desempenho excepcional nos caracteres mais comuns, que apareciam frequentemente nos dados de treinamento, alcançando mais de 90 por cento de precisão nessas categorias de "cabeça". No entanto, o desempenho caiu constantemente à medida que os caracteres se tornavam mais raros. Para as categorias menos comuns, que compunham a maioria do conjunto de dados, a precisão caiu para cerca de 60 por cento. Essas categorias raras foram responsáveis por quase dois terços de todos os erros cometidos pelo sistema. Os erros não foram aleatórios; eles quase sempre ocorriam entre diferentes caracteres que pareciam muito semelhantes, como dois símbolos que diferem por apenas um único traço ou um pequeno componente. O sistema raramente confundia diferentes versões do mesmo caractere, mas frequentemente tinha dificuldade em distinguir dois caracteres distintos que compartilhavam uma estrutura visual semelhante. Isso indica que o principal gargalo não é a variação dentro de um único caractere ao longo do tempo, mas a capacidade de distinguir entre diferentes caracteres que são visualmente quase idênticos.

Quando os pesquisadores testaram como esses sistemas se comportavam contra imagens degradadas, simulando os danos encontrados em artefatos reais, as classificações mudaram. O sistema que foi o melhor em imagens limpas não permaneceu o mais robusto quando o ruído foi introduzido. Um modelo híbrido que ficou em segundo lugar em dados limpos provou ser o mais resiliente, retendo uma porcentagem maior de sua precisão quando as imagens estavam borradas ou com partes ausentes. Em contraste, o modelo de melhor desempenho em dados limpos sofreu um declínio mais acentuado quando as imagens foram danificadas, particularmente quando os traços foram erodidos. Isso sugere que as características de design que tornam um modelo excelente no reconhecimento de imagens perfeitas não necessariamente o tornam o mais confiável para documentos históricos do mundo real, que são frequentemente imperfeitos.

O estudo também examinou se os resultados eram estáveis ou apenas um resultado de sorte de uma execução de treinamento específica. Ao repetir todo o experimento com diferentes pontos de partida aleatórios, os pesquisadores descobriram que os melhores desempenhos permaneceram consistentes. O melhor modelo manteve-se no topo, e o grupo dos três melhores modelos não mudou, independentemente de como o treinamento foi iniciado. No entanto, alguns dos modelos de menor desempenho mostraram oscilações selvagens de desempenho dependendo da semente aleatória, com sua precisão variando em até vinte e cinco pontos percentuais entre as execuções. Essa instabilidade sugere que, embora os designs líderes sejam robustos e confiáveis, algumas das arquiteturas mais antigas ou menos otimizadas são propensas a falhas e não podem ser confiadas para produzir resultados consistentes sem um ajuste cuidadoso.

Em última análise, este trabalho fornece um mapa claro para pesquisas futuras em paleografia digital. Ele mostra que, para o reconhecimento de caracteres chineses antigos, um modelo que equilibra eficiência com detecção de detalhes locais é superior ao simples uso do maior sistema disponível. Destaca que o maior desafio reside em distinguir entre caracteres visualmente semelhantes e raros, em vez de lidar com a variação de caracteres comuns. Ao estabelecer um benchmark padronizado, os pesquisadores deram à comunidade uma linguagem comum para discutir o progresso, garantindo que as melhorias futuras sejam medidas contra uma base sólida e reproduzível, em vez de experimentos isolados e incomparáveis. O caminho a seguir envolve o uso desses insights para desenvolver métodos especializados para os caracteres raros e construir sistemas que possam resistir à degradação física inerente ao registro histórico.