线形文字 B 抄写员手迹的神经表示学习
计算机视觉与模式识别
2021-08-10 v1 机器学习
摘要
在本研究中，我们探讨了利用神经特征提取对线形文字 B (Linear B) 文字系统进行抄写员手迹分析。虽然先前的工作已经证明了诸如系统发育系统学等策略在追踪线形文字 B 历史方面的有效性，但这些方法依赖于手动提取的特征，而手动定义这些特征非常耗时。相反，我们提出使用完全无监督的神经网络来学习特征，该网络不需要任何人工标注。具体而言，我们的模型为同一抄写员手迹书写的每个字形分配一个共享向量嵌入以表示该作者的风格模式，并为表示同一音节符号的每个字形分配一个共享向量嵌入以表示该字符的识别形状。因此，我们数据集中每张图像的属性被表示为抄写员嵌入和符号嵌入的组合。我们使用由解码器主导的重构损失（该解码器旨在从相应的嵌入中重现字形）以及判别损失（衡量模型预测嵌入是否对应于给定图像的能力）来训练该模型。本研究的主要贡献包括：(1) 提出了一个按抄写员手迹和符号类型标注的线形文字 B 字形新数据集；(2) 提出了一种将抄写员手迹属性与字形形状解耦的神经模型；(3) 定量评估了所学嵌入在出土地预测以及与手动提取特征相似度上的表现，显示出相比更简单的基线方法的改进。
引用
@article{arxiv.2108.04199,
title = {Neural Representation Learning for Scribal Hands of Linear B},
author = {Nikita Srivatsan and Jason Vega and Christina Skelton and Taylor Berg-Kirkpatrick},
journal= {arXiv preprint arXiv:2108.04199},
year = {2021}
}
备注
ICDAR 2021 Workshop on Computational Paleography (1st edition)