Denne nye teknologi, der anvender 3D-modeller, repræsenterer et betydeligt fremskridt i forståelsen af en af menneskehedens tidligste skriftformer. Det skriver Red Hot Cyber.
Studiet, som blev offentliggjort i tidsskriftet The Eurographics Association, fokuserede på en samling af tavler med kileskrift fra Frau Professor Hilprecht-samlingen. Disse tavler stammer hovedsageligt fra det gamle Mesopotamien, der er et historisk område i det nuværende Irak.
Ofte kaldet civilisationens vugge, er dette området, hvor nogle af de første menneskelige samfund udviklede sig. På disse tavler er indgraveret en række symboler, tegn og kiler, der danner sprogene fra regionen, såsom sumerisk, assyrisk og akkadisk. Holdet benytte sig af kunstig intelligens for at få hjælp.
Ved hjælp af en ny proces til kunstig intelligens til at dekodere gamle tavler med kileskrift, anvendte de en sofistikeret model for kunstig intelligens baseret på R-CNN-arkitektur (Convolutional Neural Network), der er et specialiseret system designet til objektgenkendelse.
Studiet brugte et unikt datasæt bestående af 3D-modeller af 1.977 tavler med kileskrift med detaljerede annotationer af 21.000 kileskrifttegn og 4.700 kiler.
AI-metodologien involverede en todelt proces: Først identificerede en tegn-detektor, bygget på en RepPoints-model med en ResNet18-backbone, kileskrifttegnene på tavlerne.
Kort sagt analyserer RepPoints-modellen samlingen af ResNet18-billeder knyttet til de mesopotamiske sprog og kombinerer derefter mønstrene for at 'se' teksten.
Dette trin var afgørende for præcist at identificere tegnene. Derefter klassificerede og forudsagde en kil-detektor, ved hjælp af Point R-CNN med avancerede funktioner som Feature Pyramid Network (FPN) og RoI Align, positionerne af kilerne, som udgør de grundlæggende elementer i kileskriften, hvilket gjorde det muligt for AI at læse dem.
Disse værktøjer bruger 3D-scanninger af tavlerne og analyserer de mange målinger såsom dybden af indtrykket efterladt af stilen i leret eller afstanden mellem symbolerne og kilerne
Denne tilgang har gjort det muligt for AI at overvinde de udfordringer, der er forbundet med traditionelle 2D-fotografier, såsom inkonsekvent belysning og farvemæssige distraktioner, og dermed levere en mere præcis analyse af de gamle tekster.
Traditionel forskning i gamle tekster anvender software til optisk tegngenkendelse (OCR), som konverterer scannede billeder eller 2D-fotografier af skriften til maskinlæsbar tekst.
"OCR fungerer normalt med fotografier eller scanninger. Dette er ikke et problem for blæk på papir eller pergament. I tilfældet med tavler med kileskrift er tingene dog vanskeligere, fordi lys og synsvinkel i høj grad påvirker, hvordan nogle tegn kan identificeres," sagde medforfatter Ernst Stötzner.
