Oct, 2019

KuroNet：基于深度学习的日本古书草字体识别

HTML
PDF
TL;DR本研究提出了使用一种新的端到端模型KuroNet来识别日文草书体，并转录为现代日本字符。通过预测整个文本页中所有字符的位置和标识，该模型可以处理长距离上下文、大词汇量和非标准化字符布局。我们证明了该系统能够成功识别大部分旧式日本文献，同时也探讨了系统局限性，并提出了未来工作的方向。
发现论文，激发创造
  • 古典日本文学的深度学习

    本论文介绍了Kuzushiji-MNIST数据集，该数据集注重于Kuzushiji (日本草书), 这个数据集更专注于社会和文化相关的问题，与此同时还有两个更大、更具挑战性的数据集，Kuzushiji-49和Kuzushiji-Kanji，希望通过这些数据集，将机器学习社区引入到日本古典文学的世界。

    Dec, 2018

  • KaoKore：一个日本前现代艺术面部表情数据集

    本文提出一个包含前现代日本艺术品面部图像的新数据集，证明它既是用于图像分类的数据集，也是一个创造性和艺术性的数据集，并探索其与生成模型的价值。

    Feb, 2020

  • 具有复杂布局的历史日本文件大型数据集

    本文介绍了一种使用HJDataset的深度学习方法，可以准确地分析历史日文文档的布局并提取内容。该数据集包含250,000多个布局元素注释和基于半规则的方法构建，旨在提供深度学习模型的基准性能分析。

    Apr, 2020

  • HUE: 用于理解韩国古代汉字文献的预训练模型和数据集

    本篇研究旨在建立、评估韩字理解的语言模型，为此发布了包含了年代归属、主题分类、命名实体识别和概要检索任务的Hanja Understanding Evaluation数据集。同时，还在朝鲜王朝的官方纪事Annals和Royal Secretariats的两个重要文献语料库上训练了BERT模型，并将它与几个基线模型进行了比较，发现训练在这两个文献上的模型具有显著改进。此外，还在历史学研究中尚未被广泛研究的DRRI数据集上进行了零样本实验。

    Oct, 2022

  • SikuGPT：数字人文视角下的古代文献智能信息处理生成式预训练模型

    本研究提出了一种名为SikuGPT的GPT模型，旨在处理古代文本并超过其他GPT型模型的性能，有望促进中国古代文化的国际传播和古代信息的组织。

    Apr, 2023

  • Kanbun-LM：运用语言模型阅读和翻译日本文献中的古代汉文

    研究建立了世界首个古汉语至关文数据集，并进一步探讨了在这些语言任务上AIML中的现有语言模型的表现及最佳评估方法。

    May, 2023

  • 使用卷积神经网络集成识别手写日文字符

    该研究提出了一种使用机器学习方法来识别手写日文汉字的方法，通过卷积神经网络集成体系结构在MNIST、K-MNIS、K49和K-Kanji数据集上获得了99.4％，96.4％，95.0％和96.4％的分类精度。

    Jun, 2023

  • GujiBERT和GujiGPT：建立智能信息处理基础语言模型的古代文本

    我们介绍了古籍BERT和古籍GPT这两个基础模型，通过在包含简体和繁体中文字符的数据集上训练，这两个模型可以有效地处理与古籍相关的自然语言处理任务，这表明了使用自监督方法进一步训练模型能够提高其应对下游任务的能力。同时，我们开发了三个不同类别的共九个模型变体，以满足数字人文和语言学研究人员的不同文本处理偏好。

    Jul, 2023

  • 利用可用的光学字符识别引擎增强处理旧的库尔德出版物

    该研究致力于处理库尔德历史出版物，采用Google的免费OCR框架Tesseract 5.0，使用自行创建的历史文档数据集进行训练，开发了一个提取文本的网页应用，同时也面临了公共数据集缺乏和字符、词之间不对齐的挑战。

    Apr, 2024

  • HABD：侯马联盟书古代手写字符识别数据库

    本研究针对侯马联盟书中因古老来源和墨水侵蚀导致的字符识别困难问题，提出了一种新的古代手写字符识别数据库，并基于深度学习架构创建了创新性基准。研究结果包括26,732个字符样本和327种不同类型的古代字符，有助于推动对侯马联盟书及其它古代字符的研究，促进对古文化和历史的理解及人类文化遗产的保护与传承。

    Aug, 2024