基于汉字拆分嵌入和二部图的残损碑文识别

古籍碑刻承载着丰富的历史文化信息,但是由于自然风化浸蚀和人为破坏使得碑石上的文字信息残缺不全。古碑文语义信息多样化且样例不足,使得学习行文语义补全识别残损文字变得十分困难。该文试图从字形空间语义建模解决补全残损汉字进行识别理解这一挑战性任务。该文在层级拆分嵌入(HDE)编码方法的基础上使用动态图修补嵌入(DynamicGrape),对待识别汉字的图像进行特征映射并判别是否残损。如未残损直接转化为层级拆分编码,输入二部图推理字节点到部件节点的边权重,比对字库编码识别理解;如残损需要在字库里检索可能字和部件,对汉字编码的特征维度进行选择,输入二部图推理预测可能的汉字结果。在自建的数据集以及中文自然文本(CTW)数据集中进行验证,结果表明二部图网络可以有效迁移和推理出残损文字字形信息,该文方法可以有效对残损汉字进行识别理解,为残损结构信息处理开拓出了新的思路和途径。

多类别形态的未隶定青铜器铭文细粒度识别

未隶定铭文的识别主要依靠传统卷积网络提供单一的全局特征,却忽略了部位识别和特征学习的关系,导致模型难以充分表达复杂形态的文字构造,进而产生识别误差。针对上述问题,提出了一种姿态对齐的多部位特征细粒度识别模型(MP-CNN)。在第一个阶段,构建空间转换器引导铭文统一字形姿态,辅助模型准确定位文字的鉴别性部位;在第二个阶段,构建级联的ECA(efficient channel attention)注意力机制引导特征通道组合,定位多个独立的鉴别性部位,并通过相互增强的方式细粒化地提取铭文的形态特征,解决复杂形态的文字识别问题;在第三个阶段,构建特征融合层获取识别结果。实验表明,该算法在铭文标准数据集和多类别形态数据集上的识别准确率分别为97.25%和97.18%,相比于传统卷积网络ResNet34分别提升4.63%和8.89%。结果显示,该算法能够有效针对铭文实际形态的独特性,实现未隶定铭文的细粒度识别。

一种基于图形识别的甲骨文分类方法

作为中国早期的象形文字,甲骨文的识别一直是一个难题。为探索与之相关的甲骨文自动分类问题,提出了一种基于曲率直方图的傅里叶描述子——FDCH,并将这种特征进一步用于对甲骨文文字的分类。该方法具有平移、旋转、尺度不变性。小范围的实验表明,这种方法能够较好地实现对甲骨文文字的自动分类。

甲骨文识别的图同构方法

甲骨文是我国目前所能看到的最早而又比较完备的文字。为了使用计算机辅助识别和检索甲骨文,给出了一种将甲骨文转化为无向标号图的方法;使用无向标号图的拟邻接矩阵对甲骨文进行编码,重码较少;给出一种基于图同构的甲骨文识别算法,实例证明了该算法是有效的。

基于SVM的甲骨文字识别

甲骨文作为古文字还没有进入国家标准也没有进入国际标准,所以甲骨文字在出版物上是以图片出现,这给检索带来了困难;同时使用大数据进行甲骨文考释的过程中,需要大量的已标注的甲骨图像数据库,而人工标注耗时耗力,且只有甲骨文专家能够完成这项任务,基于以上两个原因,甲骨文字图片的识别变得越来越重要,本文采用支持向量机分类技术研究甲骨文字图片的识别技术,通过试验证明达到88%的准确率。

行文工整的甲骨拓片文字特征提取算法研究

针对行文较工整的甲骨拓片,通过对现有的粗网格特征提取算法与点特征提取算法的研究与改进,提出一种新的网格点特征提取算法。该算法将点特征引入到粗网格特征中,把绝对地址变成相对地址,将点特征网格化,并将位置关系融入特征向量。使这两种算法互为补充,相得益彰,大大提高了识别效果。网格点特征提取算法,对行文工整的现代汉字的手写体文书的识别效果也很好。

基于空气耦合超声的碑文扫描技术研究

实验利用空气耦合超声技术对风化严重碑刻文字进行扫描和识别,并利用三维激光扫描仪对同一扫描对象进行对比实验,结果说明在破损碑刻文字的识别效果上,空气耦合超声扫描技术更有优势,这也为空气耦合超声技术在文物检测方向上开拓了新的应用领域。

一种基于深度学习的青铜器铭文识别方法

考古出土的青铜器铭文是非常宝贵的文字材料,准确、快速地了解其释义和字形演变源流对考古学、历史学和语言学研究均有重要意义.青铜器铭文的辨识需要综合文字的形、音、义进行研究,其中第一步也是最重要的一步就是分析文字的形体特征.本文提出一种基于两阶段特征映射的神经网络模型来提取每个文字的形体特征,最后对比目前已知的文字研究成果,如《古文字类编》、《说文解字》,得出识别的结果.通过定性和定量的实验分析,我们发现本文提出的方法可达到较高的识别精度.特别地,在前10个预测类别中(Top-10)准确率达到了94.2%,大幅缩小了考古研究者的搜索推测空间,提高了青铜铭文识别的效率和准确性.

基于锚点的字符级甲骨图像自动标注算法研究

甲骨文是中国最早的系统文字,是目前能见到的最早的成熟汉字.甲骨文的研究对历史探究和文化传承具有重要的意义.但是要实现字符级别的甲骨字符图像标注,在现有技术环境下,只能通过资深甲骨学专家进行人工标注,不仅耗费人力资源,而且效率低下.针对这一问题,在前期工作中的甲骨字符图像识别模型的基础上,本文提出了一种甲骨字符图像自动标注算法.该算法通过先分列后切割的思想,先将甲骨拓片上的每一个字符图像归结到某一个特定列,再以锚点甲骨字为参考点,根据空间近邻关系找到甲骨原文中的字所对应的甲骨字符图像,从而实现了甲骨字符图像的自动标注.同时,将标注好的甲骨字符图像添加到样本数据集,并利用增广后的数据集(增加6~10倍)重新训练甲骨字符图像识别模型,有利于提高基于深度学习的甲骨文识别算法的识别准确度;以较小的成本大幅增加样本数量,也可以节约专家大量的时间和人力.

基于Capsule网络的甲骨文构件识别方法

甲骨文作为中国最早的成形文字系统,具有重要的文化和学术价值。研究甲骨文构件和其构形系统是破译未识别的甲骨文的重要方向,但是甲骨文构件的标记工作只能由资深专家来完成,并且需要耗费大量时间和精力。针对这些问题,提出了一种基于Capsule网络和迁移学习的模型OracleNet,可以自动识别并标记甲骨文字形中包含的构件;同时,构建了包含标记的甲骨文字形和构件数据集,用于模型的训练和评估。实验结果显示,OracleNet模型对甲骨文构件的预测精确度达到了60%以上,其中Top5精确度达到了71.56%,验证了模型的有效性。

基于跨层卷积神经网络的石刻碑文识别

石刻碑文的研究具有重要的历史价值和文化价值,但是由于受到自然环境的风化、腐蚀和人为的破坏,碑刻文字存在很大的识别难度.传统的识别方法通过选择特征的提取方式,得到笔画、部首等浅层特征,准确率不高.卷积神经网络可以利用深层网络自动提取到更抽象的特征用于识别,具有更高的准确率.本文针对碑刻数据收集困难,数据量较少的问题,提出了一种基于VGG-16的跨层卷积神经网络进行石刻碑文的识别,使用投影分割改进法实现碑文的分割,该方法在本文构建的测试数据集上对石刻碑文的识别具有很好的效果.

基于特征点匹配的甲骨文识别

传统的甲骨文识别方法在识别精度、识别速度和抗干扰能力等方面还有进一步的发展空间,尤其是现有甲骨文识别技术对专家的依赖性高而甲骨文信息共享普及率则相对较低。本文通过实验模拟现实场景,采用特征不变匹配算法和编码法,从甲骨文单字图片每个像素的灰度值入手,以像素之间的变化关系作为图片的特征点进行甲骨文识别。无论对甲骨文原始单字图片进行旋转、缩放、对比度调整,还是电子设备噪声处理,其识别测试结果都非常好,其识别准确率为99%,识别精度相当高,这说明了将特征点匹配算法和编码法结合起来使用,对不同失真图像的识别能力很高,对甲骨文识别具有非常重要的作用。

基于自动化剪枝策略的青铜铭文识别方法

准确并高效地识别青铜铭文在考古学、历史学、文字学等领域具有重要的意义。构建了公开的青铜铭文数据集,为后续研究提供了数据参考。同时在基于L1范数的卷积核剪枝基础上,提出了一种自动化模型剪枝策略,无需人为设置剪枝比例即可自动完成剪枝操作。实验结果表明,以LeNet网络为基础模型,剪枝后的参数量和FLOPS仅为原模型的30%和69%,准确率达到97.62%,所提方法适用于青铜铭文数据集。