설형문자 점토판을 읽는 법을 배우는 것은 매우 까다로운 작업입니다. 그 결과, 발굴된 약 50만 개의 점토판 중 아주 적은 부분만이 아시리아 학자(Assyriologists)들에 의해 분석되었습니다. 컴퓨터 비전 (Computer vision)은 해독을 위한 유망한 방안을 제시하지만, 대규모의 조밀하게 주석이 달린 데이터셋 (datasets)을 필요로 합니다. 이러한 한계를 해결하기 위해, 현재까지 가장 큰 규모의 주석이 달린 설형문자 문자 데이터셋을 사용하였으며, 173개 및 106개의 클래스라는 두 가지 클래스 세분화 수준(class granularities) 하에서 Deformable Detection Transformer (DETR) 기반의 객체 탐지 (object detection) 모델을 평가했습니다. 제안된 시스템은 시각적 문자 탐지와 텍스트 구조 사이의 간극을 메우기 위해 자동 점토판 측 추출 (tablet-side extraction), 휴리스틱 라인 그룹화 (heuristic line grouping), 그리고 n-gram 기반 텍스트 유사도 평가를 통합하며, COCO 스타일의 탐지 지표 (detection metrics) 상에서 이전 연구 대비 최대 28-37%의 일관된 개선을 달성했습니다. 추론 (inference) 단계에서 이 방법은 Electronic Babylonian Library (eBL) 코퍼스(corpus)의 87,668개 점토판 파편에 적용되어, 약 290만 개의 문자 탐지 결과를 생성했습니다. 이 접근 방식은 언어적 사전 지식 (linguistic priors) 없이 작동하며 점토판의 손상 및 레이아웃 가변성에 민감하게 반응하지만, 코퍼스 전반의 설형문자 분석을 위한 확장 가능하고 해석 가능한 토대를 제공하며 향후 멀티모달 (multimodal) 및 언어 모델링 프레임워크와의 통합을 지원합니다.