本文提出了一种基于编码器 - 解码器网络的数学公式识别方法，在网络中加入语法规则，将标记序列预测建模为树遍历过程，从而有效描述表达式的语法上下文，减轻了数学公式识别中的结构预测误差。实验结果表明，我们的方法在三个基准数据集上均取得了比现有方法更好的识别性能。同时，我们还创建了一个包含 10 万个手写数学表达式图像的大规模数据集，其源代码、新数据集和预训练模型也将公开。

Mar, 2022

该研究使用 Transformer 架构为端到端的在线手写手势建立表达式树提供了强大的框架，并成功利用了注意力机制编码、学习和执行表达式的潜在语法，提供了鲁棒性，并提出了一个新的度量标准用于输出表达式树的语法正确性的评估。

Nov, 2022

本文提出了一种新的概率图模型，用于对突尼斯城市名称的文字进行建模和识别。采用基于动态分层贝叶斯网络的方法，采用分割和特征提取技术来减少识别过程中的复杂性和误差，实验结果非常有前途。

May, 2014

我们提出的智能检测网络在手写数学公式识别中利用物体检测技术，与传统编码器 - 解码器方法不同，能够精确检测符号和数字，优于其他网络在识别复杂手写数学表达式方面，对 HMER 领域具有潜在的宝贵贡献。

Nov, 2023

该研究论文介绍了一种从自然语言生成数学方程的方法，通过整合树结构和采用逐层并行解码策略，以及应用二分匹配算法来对齐预测结果与注释，以提高解方程的准确性和性能。

Oct, 2023

本文提出一种将数学语言与自然语言一起表示和生成的语言模型，MathGPT，在数学表达式生成任务上表现出超越基准模型的性能。

Feb, 2023

使用基于注意力机制的编码器 - 解码器模型和多尺度注意力模型，结合密集连接卷积网络来处理手写数学表达式识别并在 CROHME 竞赛任务中取得了显著结果，只使用了官方训练数据集。

Jan, 2018

本文研究机器学习技术如何应用于高效数学等式的发现，并介绍了一种用于表示符号表达式的属性文法框架，同时引入两种新型学习方法，通过从简单表达式学习来指导树搜索，能够生成超出暴力搜索或人工推导范围的复杂等式。

Jun, 2014

本文讨论了在单个句子中识别和理解数学关系表示的问题，提出了方程式解析的问题，并介绍了一种高效的算法来解析文本到射影方程。我们的系统利用数学表达式的高精度词典和一系列的结构化预测器，在 70% 的情况下可以生成正确的方程，在 60% 的时间里，还可以识别正确的名词短语和变量映射，显著优于基线。我们还发布了一个新的注释数据集以供任务评估。

Sep, 2016

本文提出了利用 CROHME 数据库的在线手写数学表达式，通过局部和全局扭曲以及分解策略以生成形状和结构变化，使用深度学习模型， 结合卷积神经网络和基于注意力机制的编码器 - 解码器结构进行端到端的在线手写数学表达式识别，取得了具有竞争力的结果，并且产生的数据集已公开。

Jan, 2019