含 14 万张图像！华中科技大学发布高质量甲骨文数据集，助力团队摘冠 ACL 最佳论文
内容提要
甲骨文是中国最早的文字之一，记录了丰富的历史信息。华中科技大学的研究团队提出了高质量的HUST-OBC数据集，包含已破译和未破译的甲骨文图像。通过该数据集，研究人员训练了AI模型，取得了较高的分类准确率。华中科技大学的研究团队还开展了甲骨文破译的相关研究，并获得了ACL最佳论文奖。
延伸解读
数据集构建的严谨流程
HUST-OBC 数据集通过半自动化流水线构建，包括数据获取、自动标注、数据整合和数据验证四个步骤。研究人员从书籍、网站和现有数据集中收集图像，并训练 OCR 模型自动识别汉字标签，利用对比学习模型合并冗余类别，最后邀请甲骨文学者人工审查，确保数据准确性。这一流程兼顾效率与质量，为高质量数据集提供了保障。
AI 模型性能与评估
为了评估数据集质量，研究团队使用 ResNet 进行图像分类任务，将已破译部分按 8:1:1 划分训练集、验证集和测试集，最终分类准确率达到 94.6%，宏平均 F1 分数为 0.914。这一结果表明 HUST-OBC 数据集能够有效支持甲骨文识别任务，为后续研究提供了可靠的基准。
破译新思路：条件扩散模型
白翔教授团队基于 HUST-OBS 和 EVOBC 数据集，训练了条件扩散模型 OBSD，利用甲骨文的不可见类别作为条件输入，生成对应的现代汉字图像。评估实验显示，OBSD 能产生最准确的破译结果，并辨别甲骨文的复杂细节，为自然语言处理难以解决的古文字识别任务提供了新颖方法，并荣获 ACL 2024 最佳论文奖。
甲骨文研究的挑战与意义
甲骨文作为最早成系统的文字之一，已出土约 16 万片，发现超过 4,600 个不同字符，但仅约 1,500 个被确认。由于保存不当导致模糊、字符变异性高等因素，破译工作极具挑战。单个文字的破译都对历史学研究意义重大，AI 辅助破译成为可能，而高质量数据集如 HUST-OBC 是推动这一领域进展的关键。
Q&A
HUST-OBC数据集包含多少张甲骨文图像？
HUST-OBC数据集包含140,053张甲骨文图像，其中77,064张为已破译图像，62,989张为未破译图像。
华中科技大学的研究团队在甲骨文研究中取得了什么成就？
华中科技大学的研究团队获得了ACL最佳论文奖，研究题目为《Deciphering Oracle Bone Language with Diffusion Models》。
HUST-OBC数据集是如何构建的？
HUST-OBC数据集通过从书籍、网站和现有数据集中收集甲骨文图像，并经过数据获取、自动标注、数据整合和数据验证等步骤构建而成。
AI在甲骨文破译中起到了什么作用？
AI辅助破译甲骨文，通过训练模型提高了分类准确率，研究人员利用条件扩散模型OBSD进行甲骨文破译，展示了其有效性和潜力。
HUST-OBC数据集的分类准确率是多少？
使用HUST-OBC数据集训练的AI模型取得了94.6%的分类准确率。
甲骨文的历史背景是什么？
甲骨文是中国最早的文字之一，约可追溯到3000年前，记录了丰富的历史信息，包括天文学、气象学等多个领域。
