Mar, 2023

低资源语言阿曼齐文符号图像的光学字符识别和转录

PDF
TL;DR本研究提出了一种基于深度学习的方法，名为 DaToBS，用于自动识别并转录自摄取的图片中的塔芬哈字符。该方法在 Berber 语言中实现了高达 92％的准确性，并有望帮助这种低资源语言更好地参与到教育和 AI 中。
发现论文，激发创造
  • 非洲土著语言语音转文本应用中的音素表示和转写：以斯瓦希里语为例

    研究探索了 Kiswahili 语音文本的转录和 Kiswahili 语音语料库的开发，提供了 CMU Sphinx 语音识别工具箱创建的 Kiswahili 音素字典，以及使用扩展的音位集培训的 ASR 模型，使得模型优于以前类似研究的表现，并可在听障者中实现其母语的转录。

    Oct, 2022

  • 阿拉伯拉丁字母拼音检测和转换为阿拉伯文

    本文描述了如何使用单词和序列级别的特征来识别英语混杂的 Arabizi 文字，并使用语言建模进行转译，在保真度上达到了 88.7％的识别精度。

    Jun, 2013

  • 尼泊尔语和孟加拉语的光学文本识别：基于 Transformer 的方法

    该研究使用编码器 - 解码器转换器针对 OCR 系统的研究和发展，以低资源语言（如孟加拉语和尼泊尔语）为例，通过对手写和打印的光学文本图像的集合进行评估，结果表明该技术与当前方法相符，并在孟加拉语和尼泊尔语的文本识别中取得了高精度，从而为东南亚地区的语言学研究打开了先机。

    Apr, 2024

  • TArC: 突尼斯阿拉伯语语料库的首个完整版本发布

    本研究在于使用阿拉伯语拉丁写法（Arabizi）对突尼斯阿拉伯语进行编码，在此基础上创建了一个包含语料库和 NLP 工具的资源，用于提供各级语言信息的词语分类、音译、标记、词形归总等，并讨论了使用计算和语言方法进行研究路径和实验的策略等问题，最终提供了可能广泛用于计算和语言研究的资源。

    Jul, 2022

  • 一种基于 Transformer 模型的端到端 OCR 框架，用于识别具有变音符的大规模古典阿拉伯文多字体语料库的手写体 Arabic 识别

    本文介绍了针对阿拉伯历史文献的光学字符识别技术的研究，提出了一种端到端文本识别方法 BEIT，并通过实验比较证明，该方法优于卷积神经网络的特征提取方法，达到了 4.46% 的识别准确率。

    Aug, 2022

  • 基于深度学习的孟加拉标牌地址信息的检测、识别和解析

    通过深度学习模型，我们提出了一个端到端系统来高效地检测、识别、校正和解析孟加拉语标牌上的地址信息，并设计了一种新颖的地址文本校正模型和孟加拉语地址文本解析器。

    Nov, 2023

  • 使用深度神经网络进行阿拉伯文标点符号标注

    本研究通过对现有系统、度量和资源的批判性回顾，提供了一个可以用于基准测试阿拉伯文连字的免费清洗数据集。实验结果表明，神经 Shakkala 系统相对于传统的基于规则的方法和其他闭源工具具有更好的连字错误率表现。

    Apr, 2019

  • DarijaBanking：克服摩洛哥阿拉伯语使用者在银行交流中的语言障碍的新资源

    该研究提出了一种用于改善摩洛哥客户本地语言中的银行意图分类的新型数据集 DarijaBanking，并介绍了一种名为 BERTouch 的基于 BERT 的语言模型，以实现对 Darija 的意图分类。

    May, 2024

  • 阿尔及利亚方言语境下的恶意语言检测

    本研究旨在解决 Facebook 评论中的攻击性和辱骂性内容检测问题，针对阿尔及利亚方言阿拉伯语进行探讨，使用 BiLSTM，CNN，FastText，SVM 和 NB 等文本分类器进行多项实验，并建立了一个包含 8.7k 手动标注为正常，虐待和攻击性的文本的新语料库。结果表明，分类器的性能尚可，但需要进一步研究语言特征以提高识别精度。

    Mar, 2022

  • AfroDigits：一个面向非洲语言的社区驱动口语数字数据集

    该文章介绍了 AfroDigits 数据集，这是一个社区驱动的包含 38 种非洲语言的最小化 data-set，用于解决语音技术在非洲语言中的局限性，在使用 Wav2Vec2.0-Large 和 XLS-R 模型的实验中显示了洲际混合语音库对对象识别的影响。

    Mar, 2023