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)。僧伽罗语是一种约有 1600 万人使用的语言。该数据集包含来自斯里兰卡立法法案跨越二十年的 1010 个页面级图像和转录文本。通过使用 QLoRA 对 DeepSeek-OCR V1、DeepSeek-OCR V2 和 LightOnOCR-2-1B 等模型进行微调，研究发现 LightOnOCR-2-1B 是表现最佳的模型。它实现了 1.05% 的字符错误率 (CER)，显著优于包括 Surya-OCR、Tesseract v5 和 Google Document AI 在内的其他开源和商业 OCR 模型。 AI
影响 推动了低资源语言的 OCR 能力，可能为僧伽罗语文本处理带来新的应用。
排序理由 该项目描述了一个新的僧伽罗语 OCR 数据集和微调模型，包括基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- DeepSeek-OCR V1
- DeepSeek-OCR V2
- Google Document AI
- Hugging Face
- LightOnOCR-2-1B
- Sinhala
- sinhala-ocr-lk-acts-1010
- Surya-OCR
- Tesseract v5
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
