Empirical Investigation of Vision Architectures for High- Cardinality Fine-Grained Ancient Chinese Ideograph Classification on OBWX
本文在 OBWX 数据集上建立了一个受控的经验基准，用于评估 14 种针对高基数古代汉字识别的视觉架构，结果表明 EfficientNetV2-S 实现了最高的准确率，同时证明了模型大小与性能并不相关，尾部类别是导致大部分错误的原因，且 MaxViT-T 在抗噪性方面表现出卓越的鲁棒性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几个世纪以来，学者们一直致力于研究中国文明最早的文字记录——那些数千年前刻在龟甲和青铜器上的复杂符号。这些古老的字符不仅仅是图像；它们是一个复杂的系统，同一个概念可能会根据时代、地域或所用材料的不同，呈现出数十种略有差异的形式。现代研究人员面临的挑战在于，如何教会计算机自动识别这些符号。这并非简单的将图片与标签进行匹配。系统必须在成千上万个视觉特征极其相似的字符之间进行辨别，其中许多字符在现有的历史记录中仅出现过寥寥数次，而另一些则频繁出现。这造成了一种困难的不平衡：计算机能频繁看到某些字符，却很少见到另一些，从而难以学习完整的字符集。此外，这些古代图像的质量差异巨大，有些因时间流逝而受损，有些则存在墨迹污渍或笔画缺失，这为任何试图从中学习的机器增添了另一层困惑。
现在，一组研究人员建立了一个严谨的测试场，旨在观察哪些现代计算机视觉系统最适合解决这个特定的历史难题。他们专注于一个包含超过 74,000 张图像的大型集合，涵盖了 6,650 个不同的古代字符类别，这些图像取自从最早的甲骨文到后期的篆书等四个主要历史时期。为了确保公平比较，他们让 14 种不同的计算机架构经历了完全相同的训练和测试流程，保持所有变量恒定，使结果仅取决于系统本身的设计。其目标是超越孤立的实验，建立一个清晰、可复现的排名，以确定哪些方法在处理这种高难度、细粒度分类任务时真正有效。
结果揭示了不同计算机设计之间清晰的等级制度。表现最好的系统是一种现代卷积网络，这类架构通过使用小型滤波器扫描图像来检测线条和曲线等局部模式。该模型实现了约 74.5% 的准确率，正确识别了绝大多数测试字符。紧随其后的是一种结合了卷积扫描与注意力机制的混合系统，以及一个以结构化、分层方式处理图像的分层 Transformer。有趣的是，最强大且规模最大的模型并未胜出。其中一个拥有四倍于获胜者参数量的纯注意力机制大型系统表现显著较差，落后了九个百分点以上。这一发现表明，对于这项特定任务而言，模型的构建方式远比规模大小更为重要。一个参数较少但设计经过局部细节优化模型，其表现可以优于试图一次性处理整幅图像的庞大系统。
研究人员还发现，任务的难度在不同字符之间分布并不均匀。系统在处理出现频率较高的“头部”类别（即在训练数据中频繁出现的字符）时表现异常出色，准确率超过 90%。然而，随着字符变得愈发罕见，性能也随之稳步下降。对于占数据集大多数的稀有字符，准确率降至约 60%。这些稀有类别贡献了系统近三分之二的错误。这些错误并非随机发生，几乎总是发生在视觉特征非常相似的字符之间，例如两个仅在单笔画或微小组件上存在差异的符号。系统很少混淆同一个字符的不同版本，但经常难以区分两个具有相似视觉结构的截然不同的字符。这表明，主要的瓶颈不在于单个字符随时间的变化，而在于区分视觉结构近乎相同的不同字符的能力。
当研究人员测试这些系统在面对退化图像（模拟真实古代文物上的损伤）时的表现时，排名发生了变化。在清晰图像上表现最佳的系统在引入噪声后并不一定能保持领先。一种在清晰数据上排名第二的混合模型表现出了最强的韧性，在图像模糊或出现缺失部分时仍能保持较高的准确率。相比之下，在清晰数据上表现顶尖的模型在图像受损（尤其是笔画被侵蚀）时，其性能下降更为剧烈。这表明，使模型擅长识别完美图像的设计特征，并不一定使其成为处理现实世界历史文献（通常是不完美的）时最可靠的模型。
研究人员还考察了结果是稳定的，还是仅仅是特定训练过程中的偶然结果。通过使用不同的随机起点重复整个实验，研究人员发现表现领先的模型保持了稳定性。无论如何启动训练，表现最好的模型始终稳居前列，且前三名的组合也未发生改变。然而，一些表现较低的模型在不同随机种子下的表现出现了剧烈波动，其准确率在不同运行之间最高可相差 25 个百分点。这种不稳定性表明，虽然领先的设计是稳健且可靠的，但一些较旧或优化程度较低的架构容易出现失败，若不进行仔细调优，则无法产生一致的结果。
最终，这项工作为数字古文字学研究提供了清晰的路线图。它表明，对于识别中国古代字符，一个在效率与局部细节检测之间取得平衡的模型，要优于单纯使用规模最大的系统。它强调了最大的挑战在于区分视觉相似的稀有字符，而非处理常见字符的变化。通过建立一个标准化的基准，研究人员为学术界提供了一种共同的语言来讨论进展，确保未来的改进是基于一个稳固、可复现的基础进行衡量，而非基于孤立、不可比的实验。未来的路径在于利用这些洞察力，开发针对稀有字符的专门方法，并构建能够抵御历史记录中固有物理退化现象的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。