HattNet：一种用于阿拉伯书法风格分类的三流深度学习架构

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：HattNet: A Tri-Stream Deep Learning Architecture for Arabic Calligraphy Style Classification

　　摘要阿拉伯书法是伊斯兰文明中最经久不衰的视觉表现形式之一，具有深厚的美学、文化和历史价值。然而，书法风格的自动分类十分困难：不同风格之间的视觉差异细微，且专家标注的公开数据集稀缺。为弥补这一空白，本研究提出了两项主要贡献。首先，介绍了HattSet-12数据集，该数据集主要从机构档案中经官方许可汇编而成，并由一位专家书法家对十二种书法风格进行了标注。其次，提出了一种名为HattNet的三流深度学习架构，它结合了一幅书法图像的三种互补视觉表征：来自ImageNet预训练的ConvNeXt-Tiny骨干网络的RGB纹理特征、通过自适应阈值化获得的二值文本掩码，以及从该掩码中提取的笔画骨架。掩码流和骨架流由两个从零开始训练的轻量级卷积网络处理，并用方向和位置敏感的坐标注意力模块进行优化；三个流随后通过简单的拼接进行融合。在5折交叉验证下，HattNet达到了\(93.60\% \pm 0.49\)的准确率，比最强的现代基线ConvNeXt-Small（\(89.80\%\)）提高了3.80个百分点，比最强的经典CNN基线DenseNet-169（\(88.20\%\)）提高了5.40个百分点。消融分析表明，每个组件都对模型性能有所贡献。移除掩码、骨架和坐标注意力组件后，准确率分别降低了3.50、1.70和2.10个百分点。此外，结果表明，在小型数据集上，简单拼接比门控和交叉注意力等更复杂的融合策略更有效。该数据集和源代码均可在https://github.com/ugrkilc/HattNet上公开获取。