handwriting recognition
PulseAugur coverage of handwriting recognition — every cluster mentioning handwriting recognition across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现：去中心化学习提升文档分析鲁棒性
一篇题为“Unapologetically Distributed”的新论文探讨了去中心化学习在文档分析任务中的优势。由 Adrià Molina Rodríguez 领导的研究认为，与通常认为的性能权衡相反，联邦学习可以在现实场景中增强模型的鲁棒性和适应性。该研究同时评估了跨表格识别、手写识别和关键词识别等各种任务的分布式训练方法，证明了泛化能力的提高，尤其是在迁移学习期间。
-
新框架改善低资源环境下的手写文本识别
研究人员开发了一种新的手写文本识别（HTR）框架，该框架在低资源场景下非常有效。该方法利用了词汇特征的温和先验知识，使其适用于标记数据稀缺的领域，例如历史档案。该方法使用迭代自举过程，通过最优传输（OT）将来自无标签图像的视觉特征与语义词表示对齐，从而逐步提高识别准确性。
-
新数据集和管道推动阿拉伯手稿 OCR 研究
研究人员推出了 AraMS-28k，这是一个用于历史阿拉伯手稿识别的大规模数据集，包含 14 本书的 28,600 条带注释文本行。该数据集包括主要文本和页边行线的详细注释，以及用于重建非线性阅读顺序的插入锚点。该数据集是使用 RefLAM 创建的，RefLAM 是一个利用多模态大语言模型和人工审查的新型管道，与手动注释相比，吞吐量提高了 75 倍。此外，一项研究探讨了视觉语言模型 (VLM) 在阿拉伯手稿 OCR 中的有效性，发现其…
-
Hacker News 聚焦手写识别历史与离线编码代理
此集群涵盖了 Hacker News 上展示的两个不同的技术项目。第一个是“手写识别的未来之路”，探讨了手写识别的历史方法；第二个是“Ante”，介绍了 AntigmaLabs 开发的一个独立的、离线编码代理。
-
TrOCR 适配中世纪手稿识别，研究发现
研究人员探索了将 TrOCR 模型应用于中世纪手稿的文字识别（HTR）任务，该任务因模型在现代文本上预训练而变得复杂。通过对 13 世纪意大利手稿（I-CT 91 "Cortonese"）和 READ-16 基准进行的受控实验，他们研究了对比度归一化、数据增强和层冻结对准确性的影响。研究发现，移除对比度归一化后，字符错误率（CER）为 7.84%，与专用基线相当，并且特定的层冻结策略可以跨数据集转移，但建议进行特定数据集的重新验证。研…