印度河文字的深度学习流水线

标准化未破译文字语料库是计算金石学的必要起点，需要从原始考古记录中通过费力的人工劳动来准备。通过机器学习算法自动化此过程可显著助力金石学研究。在此，我们朝此方向迈出第一步，提出一种深度学习流水线，其以考古文物中发现的未破译印度河文字图像作为输入，并输出字素字符串，适合纳入标准语料库。首先使用选择性搜索（Selective Search）将图像分解为区域，并使用卷积神经网络（convolutional neural network, CNN）将这些区域分类为包含文本和/或图形信息。被分类为可能包含文本的区域被分层合并并修剪以去除非文本信息。然后使用标准图像处理技术分割图像的剩余文本部分以隔离单个字素。最后将该集合传递给第二个卷积神经网络（CNN）以基于标准语料库对字素进行分类。该分类器能以92%的准确率识别最频繁的印度河字素“罐”符号的存在与否。我们的结果展示了深度学习方法在计算金石学中，更广义地在数字人文中的巨大潜力。