Convolutional Recurrent Neural Network
PulseAugur coverage of Convolutional Recurrent Neural Network — every cluster mentioning Convolutional Recurrent Neural Network across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
VLMs 从20世纪法国历史报刊中绘制亚美尼亚侨民广告
研究人员开发了一个新颖的流程，用于从法国数字化20世纪亚美尼亚报纸中提取和地理编码商业广告。该系统利用视觉语言模型（VLMs）来克服资源匮乏的西亚美尼亚语处理以及扫描历史文件质量差的挑战。该项目引入了一个带有广告注释的西亚美尼亚语报刊新语料库，以及一个适用于类似历史语言数据的可复现工作流程。
-
新数据集和CRNN模型推动乌尔都语手写文本识别
研究人员推出了Urdu Katib Handwritten Dataset (UKHD)，这是第一个历史乌尔都语手写文本行的离线数据集。该数据集旨在解决乌尔都语手写文本识别 (UHTR) 资源稀缺的问题。研究还评估了各种基于CRNN的模型，确定CNN-BGRU-CTC在乌尔都语Katib手写识别方面最有效，实现了较低的字符和单词错误率。
-
手写文本识别 (HTR) 系统在阿拉伯字母与拉丁字母识别上持续存在性能差距
一篇新发表在 arXiv 上的研究分析了拉丁字母和阿拉伯字母手写文本识别 (HTR) 系统的性能差距。研究人员使用了一个统一的卷积循环神经网络 (CRNN) 模型，跨多个数据集和训练规模进行性能比较。研究结果表明，阿拉伯字母的错误率持续更高，尤其是在低资源环境下。尽管随着数据量的增加，这种差距会缩小，但在完全规模下依然存在，部分原因归结于标注质量问题以及阿拉伯字母更高的视觉变异性和重尾字符频率分布。
-
新框架通过AI和人工审核提升阿拉伯文HTR数据集质量
研究人员开发了一种新颖的两阶段框架CER-HV，旨在提高用于训练手写文本识别（HTR）模型的数据集质量，特别是针对阿拉伯文脚本语言。该框架结合了卷积循环神经网络（CRNN）进行自动错误检测和“人在回路”验证过程。当应用于阿拉伯文数据集时，CER-HV成功识别了转录和分割错误等标签错误，在数据集清理和模型重新训练后，评估CER提高了多达1.8个百分点。
-
跨语言手写文本识别模型通过序列建模提高低资源性能
研究人员调查了跨语言迁移学习如何改进低资源阿拉伯语脚本语言的手写文本识别（HTR）。他们的研究表明，序列建模，而不仅仅是共享的视觉表示，是这些改进的关键，尤其是在数据稀缺的情况下。在阿拉伯语、乌尔都语和波斯语数据集上的实验表明，结合了卷积和序列建模的CRNN模型在多脚本训练时，其性能显著优于仅CNN的模型。这表明在低资源环境下，上下文理解在有效的HTR迁移学习中起着至关重要的作用。
-
神经网络模拟具有可变过饱和度的晶体生长动力学
研究人员开发了卷积循环神经网络代理模型来模拟晶体生长动力学。这些模型基于 Allen-Cahn 动力学数据进行训练，并能考虑可变过饱和度水平。该研究比较了两种架构：一种从帧的迷你序列中隐式推断过饱和度，另一种将过饱和度作为显式输入。结果表明，显式参数条件能够产生最准确的预测，尽管隐式方法在更大的训练数据集下也能获得可比的结果。