《Applied Sciences》：Comparative Evaluation of Deep Transfer Learning Models for Ancient Coin Classification
编辑推荐：
本文提出了利用迁移学习对古代钱币进行分类的深度学习模型，并将其应用于一个从专门收藏中整理的自定义数据集。该数据集经过严格的准备和质量筛选而精心构建；保留的细粒度类别存在不平衡。研究人员首先进行二分类，随后分别对DenseNet121、EfficientNetB
本文提出了利用迁移学习对古代钱币进行分类的深度学习模型，并将其应用于一个从专门收藏中整理的自定义数据集。该数据集经过严格的准备和质量筛选而精心构建；保留的细粒度类别存在不平衡。研究人员首先进行二分类，随后分别对DenseNet121、EfficientNetB0、EfficientNetV2S和ResNet50进行细粒度评估。在采用物理钱币感知的70/15/15划分和五个训练种子的验证实验中，粗粒度CITY与NABATAEAN任务仍近似完全可分。细粒度性能较低：ResNet50在CITY上的准确率为68.28 ± 2.45%，而DenseNet121在NABATAEAN上的准确率为72.89 ± 2.79%。这些结果表明，近乎完美的粗粒度分类本身并不保证可靠的细粒度归属。该分析强调了细致的数据集准备和策略性模型选择在优化性能中的重要性。一项匹配的DenseNet121消融实验进一步表明，与随机初始化相比，ImageNet初始化显著改善了困难的细粒度任务。所提出的框架支持古代钱币收藏的数字记录和分析，而当前单一收藏评估仍限制了跨收藏泛化的结论。
**论文解读：基于深度迁移学习的古代钱币分类比较研究**
古代钱币是承载历史、政治、艺术与物质文化信息的珍贵考古遗存。对钱币进行分类通常需要专家依据标准参考书，将其与精确年代、政治背景、造币地点和面值相对应，这一过程耗时且成本高昂。随着博物馆数字化与大规模钱币收藏整理的需求增长，利用深度学习技术实现自动分类成为重要研究方向。迁移学习（transfer learning）通过将在大规模数据集（如ImageNet）上预训练的卷积神经网络（CNN）特征适配到特定任务，能够显著降低训练成本并提升分类性能，在医学图像和考古图像领域已取得良好效果。然而，现有研究多聚焦于罗马共和时期钱币的背面图案识别或特征融合方法，针对约旦地区博物馆钱币收藏的细粒度分类研究仍较少。此外，粗粒度分类的高准确率是否意味着细粒度归属同样可靠，以及不同预训练架构在古代钱币任务上的优劣尚待系统评估。因此，研究人员开展了一项比较研究，旨在评估四种主流深度迁移学习模型在粗粒度和细粒度古代钱币分类中的表现。
研究人员构建了一个经过严格质量筛选的约旦古代钱币图像数据集，该数据集源自约旦阿赫利银行钱币博物馆（Jordan Ahli Bank Numismatic Museum），最初包含4559张图像，自动质量筛选剔除224张（4.91%），保留4335张高分辨率图像，其中CITY类3032张，NABATAEAN类1303张。图像存在磨损、腐蚀、尺度、姿态和背景的自然变化。研究人员定义了粗粒度二分类任务（CITY与NABATAEAN）以及城市、统治者、正背面等细粒度分类任务。在验证实验中，采用物理钱币感知的70/15/15划分，确保同一枚钱币的所有可用图像全部归属于训练、验证或测试子集，并通过五个训练种子重复实验。比较了DenseNet121、EfficientNetB0、EfficientNetV2S和ResNet50四种ImageNet预训练架构，并进行了匹配的DenseNet121随机初始化消融实验。
主要关键技术方法包括：使用TensorFlow 2.20.0，输入为224×224像素的RGB图像，批量大小为32；采用Adam优化器，先以3×10
?4的学习率训练分类器头部3个epoch，随后以1×10
?5的学习率微调骨干网络上层25%的参数4个epoch；损失函数为带有0.02标签平滑的类别交叉熵；训练时仅对训练子集应用随机水平翻转、亮度（最大增量0.05）、对比度（0.90–1.10）和饱和度（0.90–1.10）等数据增强。数据集被划分为1722枚训练钱币（69.97%）、369枚验证钱币（14.99%）和370枚测试钱币（15.03%）。全部实验基于单机构收藏，跨收藏泛化验证未纳入当前范围。
在粗粒度分类结果方面，所有预训练模型在CITY与NABATAEAN二分类任务上均达到近乎完美的性能，其中ResNet50在五个训练种子上的准确率为100.00 ± 0.00%，其余模型也接近完美，表明粗粒度类别差异显著，分类难度较低。
在细粒度分类结果方面，各模型性能明显下降，且没有单一架构在所有任务上一致最优。对于CITY细粒度分类，ResNet50取得了最高准确率（68.28 ± 2.45%）和宏F1分数（61.95 ± 5.54%）。对于NABATAEAN细粒度分类，DenseNet121取得了最高准确率（72.89 ± 2.79%）和宏F1分数（70.13 ± 3.06%）。DenseNet121在CITY任务上准确率为61.32 ± 2.41%，但宏F1仅为51.17 ± 1.93%，表明类别不平衡对少数类性能影响显著。EfficientNetB0和EfficientNetV2S在两类细粒度任务上均表现较弱。
在消融实验结果方面，匹配的DenseNet121随机初始化对照显示，ImageNet初始化显著改善了困难细粒度任务：CITY准确率从22.47 ± 6.51%提升至61.32 ± 2.41%，NABATAEAN准确率从20.21 ± 5.19%提升至72.89 ± 2.79%。这说明预训练特征对古代钱币细粒度识别具有决定性作用。
研究人员通过混淆矩阵分析了典型错误模式。在CITY任务中（ResNet50），Philadelphia的正反面图像频繁混淆，表明同侧面视觉相似性是主要错误来源；Gerasa与Hippum之间也存在混淆。在NABATAEAN任务中（DenseNet121），Rabbel II经常与Malichus II混淆，而Aretas IV与Aretas II的区分相对较好。这些错误与图像上的磨损、铭文重叠、正背面形态相似以及表面退化有关。讨论中指出，ResNet50的残差结构可能有利于学习层次化判别特征，而DenseNet121的密集连接有助于保留铭文和肖像等局部细微信息，但这些解释属于合理推测而非因果结论。此外，类别不平衡导致准确率与宏F1存在差异，高准确率不能代表所有细粒度类别的均衡表现。
研究结论表明，古代钱币的分类难度高度依赖于标签粒度：粗粒度二分类几乎完全可分，而细粒度分类的准确率大幅下降。ResNet50在CITY任务上表现最佳，DenseNet121在NABATAEAN任务上表现最佳。物理钱币感知划分和多次随机种子重复提高了内部有效性，但跨收藏泛化仍是未来需要解决的问题。总体而言，本研究提供了预训练CNN在约旦古代钱币数据集上的比较应用，验证了深度学习模型支持钱币收藏数字化记录与分析的可行性。该论文发表在《Applied Sciences》。
