論文の概要: Evaluating Hierarchy-Aware Deep Learning for the Recognition of Tironian Notes

• arxiv url: http://arxiv.org/abs/2609.35277v1
• Date: Mon, 28 Sep 2026 14:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 06:57:27.603995
• Title: Evaluating Hierarchy-Aware Deep Learning for the Recognition of Tironian Notes
• Title（参考訳）: Tironian Notes認識のための階層型ディープラーニングの評価
• Abstract要約: 本稿では,Tironian Note間の構造的関係が自動認識に有効かどうかを検討する。 フラットなResNet18, ConvNeXt, Shifted Window Transformer (Swin), Vision Transformer (ViT) を比較した。 その結果,平面モデルと階層モデルの相対的性能は適応に依存することが示された。
• 参考スコア（独自算出の注目度）: 2.1498988090998954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tironian notes are generally regarded as the first Latin shorthand system and are notable for their large, fine-grained symbol inventory. Their high visual similarity and large class set make manual reading time-consuming, leaving manuscripts that contain Tironian notes inaccessible to many researchers. Automatic recognition is also challenging because models must distinguish subtle differences in stroke shape and sign structure while realistic training data remain scarce. However, standard flat classifiers do not explicitly use visual or structural relations between related signs. This paper investigates whether structural relationships between Tironian notes can support automatic recognition. We use the Supertextus Notarum Tironianarum (SNT) by Martin Hellmann, which provides idealized sign forms and a hierarchical organization of Tironian notes. We compare flat ResNet18, ConvNeXt, Shifted Window Transformer (Swin), and Vision Transformer (ViT) classifiers with Hierarchical Deep Convolutional Neural Network (HD-CNN)-style coarse-to-fine models and hierarchy-aware routing models based on visual class cleaning and similarity-based re-clustering. The models are evaluated on handwritten samples and manuscript-domain samples from Vergilius Turonensis, both with and without limited few-shot adaptation to the manuscript domain. The results show that the relative performance of flat and hierarchical models depends on adaptation. On Vergilius Turonensis, HD-CNN achieves the best non-adapted Top-1 result with 45.43%, while flat classification reaches the best Top-1 result after few-shot adaptation with 82.09%. Overall, the results indicate that hierarchical structure can support Tironian note recognition, especially under non-adapted conditions.
• Abstract（参考訳）: ティロニアの音符は一般に最初のラテン語の短い音符体系と見なされ、その大きなきめ細かい記号の在庫で有名である。 高い視覚的類似性と大きなクラスセットは、多くの研究者がアクセスできないティロニアノートを含む原稿を残して、手作業で読むのに時間がかかる。 モデルがストローク形状と手話の構造の微妙な違いを区別しなければならない一方で、リアルなトレーニングデータが不足しているため、自動認識も難しい。 しかし、標準的なフラット分類器は、関連する記号間の視覚的・構造的関係を明示的に用いていない。 本稿では,Tironian Note間の構造的関係が自動認識に有効かどうかを検討する。 我々はMartin Hellmann による Supertextus Notarum Tironianarum (SNT) を用いて、理想化された記号形式とTironian Note の階層構造を提供する。 ResNet18, ConvNeXt, Shifted Window Transformer (Swin), Vision Transformer (ViT) を階層型深層畳み込みニューラルネットワーク (HD-CNN) スタイルの粗い微細化モデルと階層型ルーティングモデルと比較した。 モデルは、Vergilius Turonensisから手書きのサンプルと原稿ドメインのサンプルで評価され、原稿ドメインへのわずかな適応は限定的に行われた。 その結果,平面モデルと階層モデルの相対的性能は適応に依存することが示された。 ヴェルギリウス・トゥロネンシスでは、HD-CNNは45.43%、フラット分類は82.09%、トップ1は82.09%である。 全体として、階層構造は、特に非適応条件下で、ティロニア音符認識を支持できることを示している。

関連論文リスト

• EnGraf-Net: Multiple Granularity Branch Network with Fine-Coarse Graft Grained for Classification Task [0.8299692647308321]
  きめ細かい分類モデルは、非常に類似したクラスを区別するために必要な関連する詳細に焦点を当てるように設計されている。 自動収穫法を含む部分的アプローチは、局所的特徴の不完全な表現に悩まされる。 本研究では,エングラフネット(EnGraf-Net)と呼ばれるエンドツーエンドのディープニューラルネットワークモデルにおいて,階層構造(分類)として構築されたセマンティックアソシエーションを教師付き信号として活用する。
  論文  参考訳（メタデータ） (2025-09-25T12:11:42Z)
• A Hitchhiker's Guide to Understanding Performances of Two-Class Classifiers [9.140821292601458]
  Tileは、ランキングスコアの無限度を2Dマップにまとめる視覚化ツールだ。 このヒッチハイカーガイドでは、異なるユーザプロファイルを示す4つのシナリオが紹介されている。 このガイドは、74の最先端セマンティックセグメンテーションモデルの性能をランク付けし、分析することによって記述する。
  論文  参考訳（メタデータ） (2024-12-05T17:52:35Z)
• Spatial Action Unit Cues for Interpretable Deep Facial Expression Recognition [55.97779732051921]
  表情認識(FER)のための最先端の分類器は、エンドユーザーにとって重要な特徴である解釈可能性に欠ける。 新しい学習戦略が提案され、AU cues を分類器訓練に明示的に組み込むことで、深い解釈可能なモデルを訓練することができる。 我々の新しい戦略は汎用的であり、アーキテクチャの変更や追加のトレーニング時間を必要とすることなく、ディープCNNやトランスフォーマーベースの分類器に適用できます。
  論文  参考訳（メタデータ） (2024-10-01T10:42:55Z)
• Diversified in-domain synthesis with efficient fine-tuning for few-shot classification [64.86872227580866]
  画像分類は,クラスごとのラベル付き例の小さなセットのみを用いて,画像分類器の学習を目的としている。 合成データを用いた数ショット学習における一般化問題に対処する新しいアプローチである DisEF を提案する。 提案手法を10種類のベンチマークで検証し,ベースラインを一貫して上回り,数ショット分類のための新しい最先端の手法を確立した。
  論文  参考訳（メタデータ） (2023-12-05T17:18:09Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Fine-Grained ImageNet Classification in the Wild [0.0]
  ロバストネステストは、典型的なモデル評価段階で気づかないいくつかの脆弱性やバイアスを明らかにすることができる。 本研究では,階層的知識の助けを借りて,密接に関連するカテゴリのきめ細かい分類を行う。
  論文  参考訳（メタデータ） (2023-03-04T12:25:07Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。