Detección jerárquica de jeroglíficos egipcios frecuentes mediante YOLO11 y RF-DETR
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13668Palabras clave:
Aprendizaje máquina, Procesamiento de imágenes, Redes neuronales, Técnicas de inteligencia artificial, Visión por computadorResumen
La interpretación automática de jeroglíficos en estelas de alta densidad es un problema complejo debido a múltiples factores como la variabilidad lingüística, la escasez de datos y el desgaste natural de los soportes. Con el fin de superar las limitaciones de los métodos tradicionales y reducir al máximo el costoso proceso de etiquetado manual de cada símbolo, se ha diseñado una estrategia de detección jerárquica. Esta consiste en analizar y localizar primero los signos más frecuentes que proporcionan la mayor cobertura en la estela, como las aves y glifos estructurales individuales agrupados, utilizándolos posteriormente como puntos de anclaje para un modelo capaz de aprovechar el contexto espacial para ubicar los jeroglíficos desconocidos bajo una etiqueta genérica. Así, combinando dos arquitecturas de vanguardia como YOLO11 y RF-DETR, se propone una estrategia unificada para aislar y etiquetar los signos, posibilitando su reconocimiento y traducción mediante redes de clasificación expertas.
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., 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
Franken, M., Van Gemert, J.C., 2013. Automatic Egyptian hieroglyph recognition by retrieving images as texts, in: Proceedings of the 21st ACM International Conference on Multimedia. Presented at the MM ’13: ACM Multimedia Conference, ACM, Barcelona Spain, pp. 765–768. DOI: 10.1145/2502081.2502199
Fuentes-Ferrer, R., Duque-Domingo, J., Herrera, P.J., 2025. 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-Jiménez, D., Pizarro, D., Hernández, Á., Bartoli, A., Méndez, C.G., Diego-Otón, L. de, Palazuelos-Cagigas, S., Zamacona, C.G., 2025. The OCR-PT-CT Project: Semi-Automatic Recognition of Ancient Egyptian Hieroglyphs Based on Metric Learning. DOI: 10.48550/arXiv.2512.24197
Gardiner, A., 1957. Egyptian grammar: Being an introduction to the study of hieroglyphics. Griffith Institute, Ashmolean Museum.
Guidi, T., Python, L., Forasassi, M., Cucci, C., Franci, M., Argenti, F., Barucci, A., 2023. Egyptian Hieroglyphs Segmentation with Convolutional Neural Networks. Algorithms 16, 79. DOI: 10.3390/a16020079
Khanam, R., Hussain, M., 2024. YOLOv11: An Overview of the Key Architectural Enhancements. DOI: 10.48550/arXiv.2410.17725
Nasser, A., Mohamed, M., Sherif, A., Mahmoud, B., Yehia, S., Saad, A., El-Rahmany, M.S., Mohamed, E.H., 2025. HieroGlyphTranslator: Automatic Recognition and Translation of Egyptian Hieroglyphs to English. DOI: 10.48550/arXiv.2512.03817
Robinson, I., Robicheaux, P., Popov, M., Ramanan, D., Peri, N., 2026. RF-DETR: Neural Architecture Search for Real-Time Detection Transformers. DOI: 10.48550/arXiv.2511.09554
Schweitzer, S. D., 2019. Ancient Egyptian Dictionary. Corpus of Egyptian Texts for the AED (Versión 1.1.0-dev) [Conjunto de datos]. Zenodo. DOI: 10.5281/zenodo.3580939
Shehzadi, T., Ifza, I., Liwicki, M., Stricker, D., Afzal, M.Z., 2026. Semi-Supervised Object Detection: A Survey on Progress from CNN to Transformer. Sensors 26, 310. DOI: 10.3390/s26010310
Sobhy, A., Helmy, M., Khalil, M., Elmasry, S., Boules, Y., Negied, N., 2023. An AI Based Automatic Translator for Ancient Hieroglyphic Language—From Scanned Images to English Text. IEEE Access 11, 38796–38804. DOI: 10.1109/access.2023.3267981
Tian, Y., Xu, W., Yang, B., Yang, X., Guo, H., Wang, G., Yu, H., 2026. Development and evolution of YOLO in object detection: A survey. Neurocomputing 669, 132436. DOI: 10.1016/j.neucom.2025.132436
Zhang, J., Liu, L., Silvén, O., Pietikäinen, M., Hu, D., 2025. Few-Shot Class-Incremental Learning for Classification and Object Detection: A Survey. IEEE Trans. Pattern Anal. Mach. Intell. 47, 2924–2945. DOI: 10.1109/TPAMI.2025.3529038
Zhao, Y., Lv, W., Xu, S., Wei, J., Wang, G., Dang, Q., Liu, Y., Chen, J., 2024. DETRs Beat YOLOs on Real-time Object Detection, in: 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Presented at the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Seattle, WA, USA, pp. 16965–16974. DOI: 10.1109/CVPR52733.2024.0160
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alfonso Moreno-Martínez, Pedro Javier Herrera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
