CVPRNov, 2016

汉英混合字符分割作为语义分割

PDF
TL;DR本研究旨在解决 OCR 字符分割在多语言多样性的问题上，尤其关注中英文混合场景，通过全卷积网络架构进行语义分割，能够利用水平轴周围的上下文确定分割点，从而在合成样本与真实世界样本中实现更优的效果。
ocrcharacter segmentationmultilingualsemantic segmentationfcn
发现论文，激发创造
  • 中文神经分词学习

    本文提出了一种新颖的神经网络框架，利用门控组合神经网络和 LSTM 语言评分模型，消除上下文窗口，可以利用完整的分词历史，产生分布式表示，从而实现中文分词，并在基准数据集上进行实验，结果不需要使用现有方法的特征工程，获得了与现有最先进方法相当甚至更好的性能。

    Jun, 2016

  • 手写汉字文本分割识别：一种无需分段注释的方法

    提出一种基于分割的方法以识别手写中文文本，使用简单而有效的完全卷积网络实现。使用一种新颖的弱监督学习方法，只需使用交录注释即可训练网络；无需先前分割方法所需的昂贵字符分割标注。因为完全卷积网络缺乏上下文建模，所以提出了一种上下文规则化方法将上下文信息纳入训练，进一步提高了识别性能。在四个广泛使用的基准测试上进行了广泛实验，即 CASIA-HWDB，CASIA-OLHWDB，ICDAR2013 和 SCUT-HCCDoc，结果表明我们的方法在在线和离线 HCTR 上都显著优于现有方法，并且比 CTC / 基于注意力的方法具有更高的推断速度。

    Jul, 2022

  • 基于全卷积网络的多方向文本检测

    该研究提出了一种使用全卷积神经网络对自然图像中的文本进行检测的新方法，通过综合考虑本地和全局线索，以分层的方式定位文本线。通过组合显著地图和字符组件来估计文本行假设，并使用另一个卷积神经网络分类器预测每个字符的质心，以去除误判。该方法适用于处理多个方向、语言和字体的文本。在三个文本检测基准测试 MSRA-TD500、ICDAR2015 和 ICDAR2013 的性能方面，该方法实现了最先进的性能。

    Apr, 2016

  • 中文分词的多字符嵌入

    本篇论文提出一种采用多种字符嵌入的共享 Bi-LSTM-CRF 模型来进行中文分词，并在实验中证明此方法能够显著提高分词准确率，同时在 AS 和 CityU 语料库中取得了 96.9 和 97.3 的最优 F1 得分。

    Aug, 2018

  • 使用词嵌入的卷积神经网络用于中文分词

    本文提出了基于卷积神经网络的、能够自动获取丰富 n-gram 特征的中文分词模型，并结合词嵌入有效地解决了单个字不足以表示完整词汇信息的问题，经过在 PKU 和 MSR 两个基准数据集的实验，该模型在两个数据集上均表现出有竞争力的性能。

    Nov, 2017

  • 自然场景下的中文识别

    介绍一个街景图中的大规模中文文本数据集，该数据集包含超过 30,000 张街景图中的大约 1 百万个中文字符，同时提供基准结果使用 AlexNet，OverFeat，Google Inception 和 ResNet 进行字符识别，使用 YOLOv2 进行字符检测。

    Feb, 2018

  • 异质图神经网络的中文分词

    本文提出了一个名为 HGNSeg 的框架，它利用预训练语言模型和异构图神经网络充分利用多层次的外部信息以提高中文分词的性能，并在六个基准数据集上进行了实验，证明了我们的方法的有效性。尤其是在跨领域情况下，我们的方法还表现出很强的缓解词表外（OOV）问题的能力。

    Jan, 2022

  • 中文排版转换

    提出了一种新的基于深度学习的中文字体转换网络，该网络结构由两个子网络组成：一个全卷积网络转换指定的字体样式以保留结构信息，一个对抗网络生成更逼真的笔画细节，并克服了先前一些复杂的中文部件分割模型的问题，该模型将每个汉字视为一个不可分割的图像，采用端到端训练的方式，无需预处理或后处理。实验证明该模型可以在印刷体和手写体样式上从任何源字体合成逼真的目标字体。

    Jul, 2017

  • 从二维视角进行场景文本识别

    采用二维视角，提出了基于字符注意力全卷积网络的场景文本识别算法，该算法在语义分割网络中采用了字符注意机制和词形成模块，在不失精度的情况下更具有鲁棒性。

    Sep, 2018

  • 使用双向 RNN-CRF 实现基于字的中文联合分词与词性标注

    我们提出了一个基于字符的模型来同时进行中文分词和词性标注，该模型采用双向 RNN-CRF 架构进行序列标记，并利用捕捉丰富上下文信息和低于字符级别的特征的新型向量表示的汉字。实验结果表明，我们的模型在不同大小、文体和注释方案的数据集上都很准确和稳健，在 CTB5 上实现了最佳性能，联合分词和词性标注的 F1 分数达到了 94.38。

    Apr, 2017