新的僧伽罗语 OCR 数据集和模型达到最先进性能

研究人员开发了一个新的数据集 sinhala-ocr-lk-acts-1010，以改进僧伽罗语的光学字符识别 (OCR)。僧伽罗语是斯里兰卡约 1600 万人使用的语言。该数据集包含 1010 页图像及其转录文本，来源是跨越二十年的斯里兰卡立法法案。实验对包括 DeepSeek-OCR V1、DeepSeek-OCR V2 和 LightOnOCR-2-1B 在内的三个深度学习模型进行了微调，结果表明 LightOnOCR-2-1B 取得了最佳性能，字符错误率为 1.05%，显著优于其他开源和商业 OCR 解决方案。 AI

影响 改进了低资源语言的 OCR 能力，可能有助于历史文献的数字化和可访问性。

排序理由 学术论文介绍了新的数据集和 OCR 模型评估。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• DeepSeek-OCR V1
• DeepSeek-OCR V2
• Google Document AI
• LightOnOCR-2-1B
• Nevidu Jayatilleke
• QLoRA
• Sinhala
• sinhala-ocr-lk-acts-1010
• Sri Lanka
• Surya-OCR
• Tesseract v5

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →