MAAT: Un entorno interactivo para la extracción, clasificación y traducción de signos jeroglíficos
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13694Palabras clave:
Procesamiento de imágenes, Redes neuronales, Aprendizaje máquina, Técnicas de inteligencia artificial, Visión por computadorResumen
El procesamiento automático de inscripciones jeroglíficas del Antiguo Egipto sigue siendo un desafío debido a que el material epigráfico real combina diseños irregulares, dirección de escritura variable, superficies dañadas, soportes tallados o pintados y una calidad de la imagen heterogénea. Los enfoques existentes a menudo abordan la segmentación, la clasificación o la traducción como tareas separadas, mientras que los flujos de trabajo epigráficos prácticos requieren la inspección y evaluación de la cadena completa desde el procesamiento de la imagen hasta la traducción. Este trabajo presenta un entorno interactivo para la extracción, clasificación, traducción y evaluación de signos jeroglíficos. El entorno desarrollado demuestra cómo la supervisión interactiva puede hacer auditable todo el proceso de reconocimiento y traducción a nivel de signo, región de interés e inscripción, permitiendo la comparación controlada de configuraciones de extracción y la construcción incremental de conjuntos de datos jeroglíficos validados manualmente.
Referencias
Asensi-González, R., Herrera, P.J., Gómez, M., 2026. Identificación facial automática en secuencias de vídeo empleando redes neuronales y aprendizaje profundo. Revista Iberoamericana de Automática e Informática Industrial. DOI: 10.4995/riai.2026.25454
Barucci, A., Canfailla, C., Cucci, C., Forasassi, M., Franci, M., Guarducci, G., Guidi, T., Loschiavo, M., Picollo, M., Pini, R., Python, L., Valentini, S., Argenti, F., 2022. Ancient Egyptian hieroglyphs segmentation and classification with convolutional neural networks. In: International Conference Florence Heri-Tech, Springer, pp. 126-139. DOI: 10.1007/978-3-031-20302-2_10
Barucci, A., Cucci, C., Franci, M., Loschiavo, M., Argenti, F., 2021. A deep learning approach to ancient Egyptian hieroglyphs classification. IEEE Access 9, 123438–123447. DOI: 10.1109/ACCESS.2021.3110082
Chung, H. W., Hou, L., Longpre, S., Zoph, B., Tay, Y., Fedus, W., Li, Y., Wang, X., Dehghani, M., Brahma, S., Webson, A., Gu, S. S., Dai, Z., Suzgun, M., Chen, X., Chowdhery, A., Castro-Ros, A., Pellat, M., Robinson, K., Valter, D., Narang, S., Mishra, G., Yu, A., Zhao, V. Y., Huang, Y., Dai, A. M., Yu, H., Petrov, S., Chi, E. H., Dean, J., Devlin, J., Roberts, A., Zhou, D., Le, Q. V., Wei, J., 2024. Scaling instruction-finetuned language models. Journal of Machine Learning Research 25(70), 1–53.
De Cao, M., De Cao, N., Colonna, A., Lenci, A., 2024. Deep learning meets Egyptology: a Hieroglyphic Transformer for translating Ancient Egyptian. In: Proceedings of the 1st Workshop on Machine Learning for Ancient Languages (ML4AL 2024), Association for Computational Linguistics, pp. 71–86. DOI: 10.18653/v1/2024.ml4al-1.9
Fabricius, Google Arts & Culture, 2020. https://fabriciusworkbench.withgoogle.com/ [Accedido 14 junio 2026].
Fuentes-Ferrer, R., Duque-Domingo, J., Herrera, P.J., 2025a. Recognition of Egyptian hieroglyphic texts through focused generic segmentation and cross-validation voting. Applied Soft Computing 171, 112793. DOI: 10.1016/j.asoc.2025.112793
Fuentes-Ferrer, R., Duque-Domingo, J., Herrera, P.J., 2025b. Detección y reconocimiento automático de jeroglíficos egipcios mediante visión por computador y validación cruzada. Simposio CEA de Robótica, Bioingeniería, Visión Artificial y Automática Marina (RBVM 2025), Vol. 1(1). DOI: 10.64117/simposioscea.v1i1.7
Gardiner, A. H. 1957. Egyptian Grammar: Being an Introduction to the Study of Hieroglyphs. 3rd ed. Oxford: Griffith Institute.
Guidi, T., Python, L., Forasassi, M., Cucci, C., Franci, M., Argenti, F., Barucci, A., 2023. Egyptian hieroglyphs segmentation with convolutional neural networks. Algorithms 16(2), 79. DOI: 10.3390/a16020079
Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, S., Berg, A.-C., Lo, W-Y., Dollár, P., Girshick, R., 2023. Segment anything. arXiv. DOI: 10.48550/arXiv.2304.02643
Papineni, K., Roukos, S., Ward, T., Zhu, W.-J. 2002. BLEU: a method for automatic evaluation of machine translation. In: Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics, pp. 311–318. DOI: 10.3115/1073083.1073135
Popović, M. 2015. chrF: character n-gram F-score for automatic MT evaluation. In: Proceedings of the Tenth Workshop on Statistical Machine Translation, pp. 392–395. DOI: 10.18653/v1/W15-3049
Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. 2020. Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21, 1–67.
Rosmorduc, S. 2014. JSesh Documentation [en línea]. Disponible en: https://jsesh.qenherkhopeshef.org/ [Accedido 18 mayo 2026].
Zhang, T., Kishore, V., Wu, F., Weinberger, K. Q., Artzi, Y. 2020. BERTScore: Evaluating text generation with BERT, arXiv. DOI: 10.48550/arXiv.1904.09675
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Raúl Fuentes-Ferrer, Jaime Duque-Domingo, Pedro Javier Herrera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
