hitit-cuneiform-ocr / code /BEYOND_95.md

savastakan

Initial upload: code + 5 record checkpoints + fuse

f211247 verified 3 months ago

preview code

Raw

History Blame Contribute Delete

10.9 kB

%95 Yapısal Tavanı Aşma Roadmap'i

v4 pipeline'ı literatür tavanına (~%95) yaklaşıyor. Daha ötesi için üç paralel yol:

Veri hacmini büyütme (307 → 2000+ tablet)
Paradigma değişikliği (sign classification → image-to-transliteration seq2seq)
Multi-modal zenginleştirme (RTI, 3D, cross-modal)

Beklenen cumulative ceiling: %95 → %96.5-98 (paradigm shift başarılıysa).

⭐ HIGH-IMPACT Stratejiler (6 ay içinde feasible)

1. Veri hacmini 10× büyütme

1.1 Hethitologie-Portal Mainz + TLHdig 1.0 entegrasyonu (+%1-3)

Ne: TLHdig 1.0 (Kasım 2025, Schwemer/Würzburg) — 22K XML doc, 400K transliteration satır, potansiyel foto URL'leri
Kaynak: HPM, TLHdig 0.2 → 1.0 geçiş
Süreç: Schwemer grubuyla contact, scraping + photo-transliteration alignment
Maliyet: 1 kişi × 2-3 ay
Risk: CC-BY lisansı muhtemel ama foto her satırda olmayabilir

1.2 Würzburg "Digital Pathways to the Hittite World" konsorsiyumu (+%3-5)

Ne: VolkswagenStiftung grant, Schwemer + Döpper + Schachner (DAI Istanbul) + LLäMmlein LLM
Kaynak: Arkeonews article
Süreç: Institutional partnership, raw tablet foto + fragment metadata erişimi
Maliyet: 1 PI-level researcher, 3-6 ay anlaşma süreci
Gain: Veri hacmi 10× olabilir → en büyük yapısal kazanç

1.3 DAI Istanbul Boğazköy Glass Plates Archive (1906-1930) (+%2-4)

Ne: DAI Istanbul fotoğraf arşivi: 10K+ cam plaka, 44K film negatif, 40K küçük format — büyük kısmı Hattuša kazıları
Kaynak: DAI Istanbul Photo Archive, iDAI.objects
Domain gap: Siyah-beyaz cam plaka ↔ modern RGB foto; ayrı pretraining gerek
Maliyet: 1 kişi × 2 ay scraping (CC kısmı ücretsiz)
Hitit-spesifik unique value

1.4 HeiCuBeDa/MaiCuBeDa SSL continual (zaten var, hızlı) (+%1-2)

Ne: ~500 annotated cuneiform tablet Hitit olmasa da wedge grammar aynı
Kaynak: MaiCuBeDa JOAD 2024
Maliyet: 1 GPU hafta
Öncelik: HEMEN yapılabilir, veri zaten dataset'imizde

1.5 DeepScribe Elamite transfer (+%1-2)

Ne: Chicago ISAC 5K tablet, 100K sign bbox
Kaynak: DeepScribe JOCCH 2025, GitHub
Maliyet: 1 GPU hafta

2. Paradigm shift: Classification → Seq2Seq

2.1 End-to-End Image → Transliteration (BU EN BÜYÜK GAIN) (+%3-7)

Ne: Sign-level 198-class bottleneck'i ORTADAN KALDIRIR. Image → transliteration doğrudan
Kanıt: SumTablets ACL ML4AL 2024 — 91K tablet / 6.97M glyph, fine-tuned LM chrF 97.55 raporladı
Örnek implementasyon: Img2SumGlyphs Stanford CS231N 2024
Mimari: ViT encoder + autoregressive decoder (HATFormer benzer)
Avantajlar:
- 198-class tavanı yok
- Rare sign'ları LM context ile recover
- Transliteration direkt output (pipeline kısalır)
Maliyet: 1 ML engineer × 2-3 ay
Risk: TLHdig foto-transliteration alignment zorlu ama TLHdig'de büyük kısım hazır
🔴 ÖNCELIK: PARADIGMA KIRICI, EN YÜKSEK GAIN POTANSİYELİ

2.2 Image Retrieval + Exemplar Matching (rare class çözümü) (+%1-3, rare +%10)

Ne: Sabit 198-class yerine, query → 21K gallery'de top-k retrieval + paleography fusion
Kanıt: Kriege et al. Embedded Attributes Cuneiform Sign Spotting (ICFHR 2021)
Mimari: DINOv3 features (zaten hazır) + FAISS + reranker
Maliyet: 1 engineer × 1 ay
Risk: DÜŞÜK

3. Synthetic data genişletme

3.1 3D-render + illumination augmentation (+%2-4, paper-validated)

Kanıt: Stötzner et al. arXiv:2308.11277 doğrudan cuneiform için +%4 detection performance raporladı
Ne: HeiCuBeDa 3D meshleri GigaMesh'te çoklu ışık yönüyle render, photo augmentation corpusu
Kaynak: GigaMesh
Maliyet: 2 hafta render + 1 hafta pipeline
Risk: DÜŞÜK (paper-validated)

4. Hitit-spesifik kültürel miras erişimi

4.1 T.C. Kültür ve Turizm Bakanlığı — Müze Dijital Envanteri (+%2-5)

Ne: Anadolu Medeniyetleri Müzesi (Ankara), İstanbul Arkeoloji, Çorum, Boğazkale — structured photography request
Mevcut kaynak: İstanbul Arkeoloji Müzelerinde Boğazköy Tabletleri IV (Eren) — archive.org/details/ibot-iv
Google Arts & Culture: Hattusha story
Süreç: KVMGM başvurusu, ODTÜ/Hitit Üniversitesi partnership
Maliyet: 3-6 ay bürokratik süreç
Hitit-spesifik value, Türkiye'ye avantaj

4.2 Boğazkale Kazı Başkanlığı + Andreas Schachner (+%1-3)

DAI başkanlığındaki güncel kazı fotoğraf arşivi
Yıllık Hititoloji Kongresi yayınları

4.3 Ankara Üniversitesi DTCF Hititoloji (+%1-2)

Türk hititologlarla collaboration
Türkçe tez corpusu: transliteration-image pair

5. Expert-in-the-loop automation

5.1 Active Learning BUAL (+%1-3 iteratif)

Ne: Ensemble disagreement + entropy → weekly 50-100 sample priority queue
Kanıt: BUAL arXiv:2402.15198
Tool: Prodigy (600€) veya Label-Studio (ücretsiz)
Rate: 6 ayda 2000+ yeni sample
Maliyet: 1 engineer + 5 saat/hafta paleograph

6. RTI Multi-light Imaging

6.1 307 Mevcut tablet için RTI dome (+%2-4)

Ne: Her tablet 50+ ışık yönünden foto → NeuralRTI ile wedge derinliği latent
Kanıt: Ponchio et al. Visual Computer 2021
Mevcut: FSU Cuneiform RTI Collection
Maliyet: RTI dome 5-15K€ + 50 saat fotoğraf
Risk: Müzeden fiziksel erişim
Hitit-spesifik eşsiz value

🟡 MEDIUM Stratejiler

7. Foundation model scaling — DINOv3-7B (+%1-3)

DINOv3 arXiv:2508.10104
7B params, Gram anchoring dense feature quality
80GB VRAM (A100/H100) + LoRA
Maliyet: 2 hafta

8. ControlNet + SDXL/Flux cuneiform synthesis (+%1-3)

Cuneiform-spesifik paper YOK ama analog domains (plant/weed) +%3-6
Risk: wedge geometrisi yanlış öğrenilirse noise
Human-in-loop filter zorunlu

9. Cross-modal SigLIP2/EVA-02-CLIP (+%1-2)

354K TLHdig transliteration → image-text pair contrastive
2-3 hafta

10. Weak supervision (Snorkel) (+%1-2)

Labeling functions: classifier + KenLM + MaiCuBeDa + VLM + heuristic
Snorkel generative model → 10-100× data

🔵 EXPERIMENTAL

11. VLM tutoring — Qwen2.5-VL-72B fine-tune (+%1-2)

Cuneiform-spesifik VLM benchmark yok → dürüst beklenti düşük
8× H100 × 2-3 ay
Başarı garantisiz
Qwen2.5-VL arXiv:2502.13923

12. Procedural wedge synthesis + physics-based clay (+%1-2)

Parametric wedge → Blender Cycles clay shader
1 artist + 1 ML engineer, 6-8 hafta

13. Federated learning across museums

Kurumlararası olmadan anlamsız
Privacy-preserving ama compute overhead

📅 6-12 Aylık Roadmap

Ay 1-2 (Quick wins, veri hazır)

✓ HeiCuBeDa/MaiCuBeDa SSL continual     → +1-2%
✓ Image retrieval + exemplar matching   → +1-3% (rare)
✓ Active learning loop kurulumu          → sürekli birikim
✓ 3D render illumination aug             → +2-4%

Cumulative: ~%95.5 → %97

Ay 3-6 (Strategic, veri entegrasyonu + paradigm)

✓ TLHdig photo-transliteration pair     → +1-3%
✓ End-to-end seq2seq paradigm shift     → +3-7% ⭐
✓ DAI Istanbul foto arşivi              → +2-4%
✓ DINOv3-7B backbone upgrade             → +1-3%

Cumulative: ~%97 → %98+ (paradigm shift başarılıysa)

Ay 6-12 (Institutional, long-term)

✓ Würzburg konsorsiyum partnership       → +3-5%
✓ KVMGM/Müze dijital envanter            → +2-5%
✓ RTI pilot (307 tablet)                 → +2-4%
✓ ControlNet synthesis pipeline          → +1-3%

Cumulative: %98+ floor, %99 aspiration

Dürüst Uyarı

Gain'ler overlapping. Aşağıdaki net beklenti:

Aşama	Realistic	Stretch
v4 baseline	%93-95	—
+ Ay 1-2 enhancements	%95-96	%97
+ Paradigm shift (2.1)	%96-97	%98
+ Institutional data (Ay 6+)	%97-98	%98.5
Theoretical ceiling (198 class Hitit)	%98-98.5	%99

%99+ için: Expert paleographer feedback loop + RTI + multi-year veri toplama. Tek başına algoritma değil — ekosistem inşası gerekir.

Önem sırasına göre ilk 5 uygulama

End-to-end seq2seq (2.1) — paradigm shift, en büyük ROI
3D illumination augmentation (3.1) — paper-validated +%4
TLHdig photo-transliteration entegrasyonu (1.1) — zaten veri yakın
Image retrieval exemplar matching (2.2) — rare class ceiling kaldırır
Active learning loop (5.1) — sürekli birikim, low-cost

savastakan
/

hitit-cuneiform-ocr