研究人员评估了几种先进的目标检测模型(包括Hi-SAM、YOLO和RT-DETR)在历史文献文本行分割方面的泛化能力。该研究还探索了一种少样本学习方法,即用少量数据对模型进行微调。研究结果表明,卷积循环神经网络(CRNN)可以达到足够低的字符错误率,从而在分割后的历史文献上实现阅读理解和文本搜索,其性能因数据集而异。 AI
影响 这项研究有望改进历史文献的自动化文本提取,从而支持档案研究和数字人文项目。
排序理由 该集群包含一篇学术论文,详细介绍了AI模型在特定任务泛化能力方面的研究。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →