该研究论文介绍了一种基于全卷积网络的二值化方法，该方法在历史手稿图像及其他领域如棕榈叶手稿的二值化任务中具有良好的性能表现，并在多个指标上优于竞争对手。作者还分析了不同超参数、数据集及输入特征对算法性能的影响。

Aug, 2017

本文介绍了一种创新的、完整的端到端流程，采用深度学习和用户交互技术，对印刷和草书英文手写手稿进行注释，该方法使用了最先进的文本识别模型构建的检测系统和自定义的深度学习模型，结合易于使用的交互式界面，旨在提高检测、分割、序列化和识别阶段的准确性，以确保高质量的注释数据，最大程度地减少人类交互。

Apr, 2023

本文提出了一种基于像素级别处理的高性能全卷积神经网络，用于历史文献图像分割，并引入了一种独立于模糊真实度量的前景像素准确度评价指标，该指标仅计算二值化页面中的前景像素，从而使研究人员可以比较不同的分割方法在文本或图像分割方面的成功能力。

Nov, 2017

本文提出了一种基于卷积神经网络的手写历史文档图像页面分割方法，将页面分割视为像素标记问题，使用卷积神经网络从原始图像像素中学习特征，经实验验证，在不同的公共数据集上，该方法对比之前的方法，取得了更加有效和卓越的结果。

Apr, 2017

本文提出了一种名为全卷积循环网络 (FCRN) 的端到端框架用于手写汉字文本识别。FCRN 基于在线文本数据进行训练，不像传统方法依赖于分割，它学习将笔尖轨迹与字符序列关联起来。本文还提出了一种优化的波束搜索方法，有效地集成语言模型来解码 FCRN 并显著提高识别结果。在 CASIA-OLHWDB 和 ICDAR 2013 数据集上进行测试，分别获得 96.40% 和 95.00% 的正确率。

Apr, 2016

利用卷积神经网络（CNNs）对非母语使用者书写的英文字母进行分类识别，借助 HIEC 数据集训练了一个定制的 CNN 模型，并通过调整超参数进行了消融研究，结果显示该模型在字符识别准确性方面优于其他模型，达到了 97.04% 的准确度，相对于次优模型提升了 4.38%。

Jun, 2024

司法笔迹鉴定是法医科学的一个分支，旨在通过全面比较内在的局部和全局特征，检验手写文件以准确定义或假设手稿的作者。该研究提出了一个新的数据集，包括传统手写文件和数字工具（如平板电脑）生成的文件之间的比较，并展示了数据的初步结果，显示第一子集可以达到 90％的分类准确率，第二子集可以达到 96％。

Jan, 2024

本文提出了一种基于注意力驱动的卷积神经网络的作者识别系统，该系统利用从词图像中提取的图像片段进行训练，采用金字塔策略。该系统能够全面捕捉数据的细节和粗糙特征，以及不同抽象层次上的信息。此外，文中探讨了使用注意力机制来增强学习特征的表征能力。该算法在三个基准数据库上进行了评估，证明了其在作者识别任务中的有效性，尤其是在有限手写数据的情景中。

Apr, 2024

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

该研究使用卷积神经网络提取特征描述进行文本匹配，以解决不同个体写作的手写文本相似性预测问题。

May, 2016