An open dataset for oracle bone script recognition and decipherment

要約

殷王朝の人文学や地理学を研究する学者にとって、3000年前に遡る古代中国の文字の最古の書体として知られる神託骨文字は、非常に貴重な研究資料である。これらの文字の歴史的・文化的意義は計り知れない。しかし、時間の経過によってその意味の多くが曖昧になり、これらの古文書を解読する上で大きな課題となっている。人工知能（AI）の登場により、オラクル・ボーン・キャラクターズ（OBC）の解読を支援するAIの採用は実現可能な選択肢となった。しかし、この分野における進歩は、質の高いデータセットの不足によって妨げられてきた。この問題に対処するため、本稿ではHUST-OBCデータセットの作成について詳述する。このデータセットには、1,588個の解読済み文字の画像77,064枚と、9,411個の未解読文字の画像62,989枚、合計140,053枚が含まれる。このデータセットが、未知のOBCを解読するための将来の研究を刺激し、支援することができればと願っている。すべてのコードとデータセットはhttps://github.com/Yuliang-Liu/Open-Oracle。

要約(オリジナル)

Oracle bone script, one of the earliest known forms of ancient Chinese writing, presents invaluable research materials for scholars studying the humanities and geography of the Shang Dynasty, dating back 3,000 years. The immense historical and cultural significance of these writings cannot be overstated. However, the passage of time has obscured much of their meaning, presenting a significant challenge in deciphering these ancient texts. With the advent of Artificial Intelligence (AI), employing AI to assist in deciphering Oracle Bone Characters (OBCs) has become a feasible option. Yet, progress in this area has been hindered by a lack of high-quality datasets. To address this issue, this paper details the creation of the HUST-OBC dataset. This dataset encompasses 77,064 images of 1,588 individual deciphered characters and 62,989 images of 9,411 undeciphered characters, with a total of 140,053 images, compiled from diverse sources. The hope is that this dataset could inspire and assist future research in deciphering those unknown OBCs. All the codes and datasets are available at https://github.com/Yuliang-Liu/Open-Oracle.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL