Deep Aramaic：面向铭文学中赋能机器学习的合成数据范式
计算机视觉与模式识别
2023-10-12 v1
摘要
铭文学日益转向现代人工智能(AI)技术如机器学习(ML)，以从古代铭文中提取见解。然而，用于训练ML算法的标注数据稀缺严重限制了当前技术，尤其是对于古阿拉姆语等古代文字。我们的研究开创了一种针对古阿拉姆语字母生成合成训练数据的创新方法。我们的流程合成了照片级真实的阿拉姆语字母数据集，融入纹理特征、光照、损毁和增广以模拟真实世界铭文的多样性。尽管真实样本极少，我们构建了涵盖阿拉姆字母表中22个字母类的250,000张训练图像和25,000张验证图像的数据集。这一综合语料库为训练残差神经网络(ResNet)以分类高度损毁的阿拉姆语字母提供了充足的数据量。该ResNet模型在对公元前8世纪Hadad雕像铭文真实图像的分类中展现出高准确率。额外实验验证了在不同材质与风格上的性能，证明了有效的泛化能力。我们的结果验证了模型处理多样真实场景的能力，证明了我们合成数据方法的可行性，并避免了对稀缺训练数据的依赖——这一依赖此前制约了铭文分析。我们的创新框架提升了受损铭文的解读准确率，从而增强了从这些历史资源中提取知识的能力。
引用
@article{arxiv.2310.07310,
title = {Deep Aramaic: Towards a Synthetic Data Paradigm Enabling Machine Learning in Epigraphy},
author = {Andrei C. Aioanei and Regine Hunziker-Rodewald and Konstantin Klein and Dominik L. Michels},
journal= {arXiv preprint arXiv:2310.07310},
year = {2023}
}
备注
41 pages, 19 images