Detección jerárquica de jeroglíficos egipcios frecuentes mediante YOLO11 y RF-DETR

• Moreno-Martínez, Alfonso ^[1] ; Herrera, Pedro Javier ^[1]
  1. [1] Universidad Nacional de Educación a Distancia

     Universidad Nacional de Educación a Distancia

     Madrid, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 47, 2026
• Idioma: español
• DOI: 10.17979/ja-cea.2026.47.13668
• Títulos paralelos:
  • Hierarchical detection of frequent Egyptian hieroglyphs using YOLO11 and RF-DETR
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    The automatic interpretation of hieroglyphs on high-density stelae is a complex problem due to multiple factors such as linguistic variability, data scarcity, and the natural wear of the surfaces. To overcome the limitations of traditional methods and minimize the costly manual labeling of each symbol, a hierarchical detection strategy has been designed. This strategy involves first analyzing and locating the most frequent signs that provide the greatest coverage on the stela, such as birds and clusters of individual structural glyphs. These are then used as anchor points for a model capable of leveraging spatial context to place unknown hieroglyphs under a generic label. Thus, by combining two cutting-edge architectures, YOLO11 and RF-DETR, a unified strategy is proposed for isolating and labelling signs, enabling their recognition and translation by expert classification networks.

• Referencias bibliográficas
  • Asensi-González, R., Herrera, P.J., Gómez, M., 2026. Identificación facial automática en secuencias de vídeo empleando redes neuronales y...
  • Barucci, A., Cucci, C., Franci, M., Loschiavo, M., Argenti, F., 2021. A Deep Learning Approach to Ancient Egyptian Hieroglyphs Classification....
  • Franken, M., Van Gemert, J.C., 2013. Automatic Egyptian hieroglyph recognition by retrieving images as texts, in: Proceedings of the 21st...
  • Fuentes-Ferrer, R., Duque-Domingo, J., Herrera, P.J., 2025. Recognition of Egyptian hieroglyphic texts through focused generic segmentation...
  • Fuentes-Jiménez, D., Pizarro, D., Hernández, Á., Bartoli, A., Méndez, C.G., Diego-Otón, L. de, Palazuelos-Cagigas, S., Zamacona, C.G., 2025....
  • 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...
  • 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...
  • Robinson, I., Robicheaux, P., Popov, M., Ramanan, D., Peri, N., 2026. RF-DETR: Neural Architecture Search for Real-Time Detection Transformers....
  • Schweitzer, S. D., 2019. Ancient Egyptian Dictionary. Corpus of Egyptian Texts for the AED (Versión 1.1.0-dev) [Conjunto de datos]. Zenodo....
  • Shehzadi, T., Ifza, I., Liwicki, M., Stricker, D., Afzal, M.Z., 2026. Semi-Supervised Object Detection: A Survey on Progress from CNN to Transformer....
  • Sobhy, A., Helmy, M., Khalil, M., Elmasry, S., Boules, Y., Negied, N., 2023. An AI Based Automatic Translator for Ancient Hieroglyphic Language—From...
  • 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...
  • Zhang, J., Liu, L., Silvén, O., Pietikäinen, M., Hu, D., 2025. Few-Shot Class-Incremental Learning for Classification and Object Detection:...
  • 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...