介绍了一个常用于图像分类和机器学习的 MNIST 数据集的扩展版本 EMNIST，它包含更具挑战性的数字和字母分类任务，而且与原始的 MNIST 任务具有相同的图像结构和参数，兼容所有现有的分类器和系统。通过将转换后的 NIST 数据集和 MNIST 数据集的分类结果进行比较来验证转换过程。

Feb, 2017

该研究创建了一个新的数据集 TextCaps，涉及 28k 张图片和 145k 个标题，用于挑战计算机视觉模型识别图像中的文本，与视觉环境进行关联，并决定要复制或释义文本的哪个部分。研究表明，这个新的数据集提供了许多前所未有的技术挑战。

Mar, 2020

本研究主要解决将手写文本识别能力添加到大规模多语言 OCR 系统中的难点，包括数据获取，效率和集成等三个方面，通过使用在线手写数据集和基于神经网络的线识别模型等方式解决了这些问题，实现了 HTR 能力在 OCR 系统中的集成。

Apr, 2019

本研究使用开源字体和数据增广技术生成 900 万份手写词图像，可用于训练深度神经网络并提高手写词识别的性能。

Aug, 2016

手写字符识别是机器学习研究人员面临的一个具有挑战性的问题，本文提出了一种简单、可推广、高效的方法 (CharNet) 来解决字符图像分类问题，并与现有方法的性能进行了比较。

Jan, 2024

本文研究了多种训练模型的方式来识别手写文本，特别是在存在多个不完整或有噪声的转录版本时，考虑了不同的训练配置和数据选择方法，并在法国贝尔福市的城市登记册上进行了实验，结果表明，计算共识转录或基于多个转录进行训练是有希望的替代方案，但基于注释者之间的一致程度选择训练样本会引入偏差并不能提高结果。

Jun, 2023

通过对大型基准数据集和通过手写文本生成模型产生的合成数据集的研究，本文提出在大数据集上预训练手写文本识别模型，并在少量带有个人特点手写的小规模数据集上进行微调，以有效转录手稿。

May, 2023

本文提出一种无监督的写手适应方法，使用合成字体完全训练出的识别器自动适应新的入职写手，从而提供了一种实用且通用的方法来处理新的文档收集，而不需要任何昂贵和繁琐的手动注释步骤。

Sep, 2019

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

介绍一种基于半监督学习的手写文本图像合成方法，该方法可生成任意长度的词汇风格多样的手写文本图像，并实现其风格的操纵，能够提高光学字符识别系统的性能。

Mar, 2020