19 世纪的地籍是历史学家和考古学家的一个复杂且丰富的来源，使用时面临巨大挑战。我们使用卷积神经网络和视觉变换器训练了几个深度学习模型，从这种知识表示中提取大规模数据。我们在这里展示了我们工作的主要结果，并展示了我们基于浏览器的工具的演示，该工具使研究人员和公众利益相关者能够快速识别出 19 世纪弗朗西斯喜安地籍中具有建筑物的地点。这个工具不仅支持学者和研究人员更好地理解斯泰里亚地区的定居历史，还帮助公共行政机构和公民迅速确定文化遗产敏感区域。

Dec, 2023

本文介绍了一种使用混合模型的方法对 19 世纪 Fraktur 手写体进行 OCR，采用真实的数据训练混合模型的 OCR 引擎 Calamari 相较于 OCRopus、Tesseract 和 ABBYY 等其他引擎表现更佳，字符错误率平均降低超过 70％，平均字符错误率低于 1％。

Oct, 2018

通过对 OCR 进行字符级图像检索建模，解决了现有体系结构在低资源情况下无法准确识别光学字符识别问题的不足，并为社区参与使数字历史更具代表性开辟了新的途径。

Apr, 2023

本篇研究讨论了针对历史文本进行命名实体识别的挑战，并提出使用大型历史语言模型 hmBERT 预训练来解决标注数据不充足的问题，并使用 HIPE-2022 共享任务来评估模型性能。

May, 2022

使用机器学习技术对欧洲大学在 1472 年至 1650 年间使用的 359 种印刷教科书中的天文学知识进行深入分析，揭示了历史材料中数学天文学领域的知识和创新在时空进化中的重要方面。

Oct, 2023

本研究提出了一种基于循环神经网络和卷积神经网络的光学字符识别错误自动纠正方法，针对历史藏书文献的 OCR 后置处理，以很高的效率在德语历史图书文献语料库中降低了字符误差率 32.3％以上。

Feb, 2021

利用结构信息提升多模态大型语言模型在视觉文档理解中的性能，通过构建一种新的统一结构学习方法，设计了一个简单而有效的 H-Reducer 视觉到文本模块，并构建了相应的训练数据集和细致解释能力的推理调优数据集，提升了视觉文档理解基准任务的性能。

Mar, 2024

本研究基于层次语义分割网络，提出了一种基于先验模型的深层次 CNN 网络结构，用于高分辨率文档图像的结构提取，通过在文档图像中将其分成互相重叠的水平条带进行分割，本网络得到了优秀的效果，我们还新建了人工标注的文档表单数据集并在此数据集上进行实验，对比不同分割 baseline 方法证明了本网络算法在分层结构提取上的高效性。当前，此算法已用于 Adobe 的 AEM Forms，实现了纸质和 PDF 表单的自动转换为现代 HTML 表单。

Nov, 2019

使用新的多阶段方法生成 OCR 错误的人工训练数据集，并进行超参数优化，以构建有效的神经网络来纠正希伯来语的 OCR 后校正。

Jul, 2023

本文提出了一种新的任务：层次化重建多页文档的语义结构，并介绍了基于编码 - 解码结构的层次性文档结构分析系统 (DSPS) 来解决该问题。通过采用多模式双向编码器和结构感知 GRU 解码器，以及软屏蔽操作，DSPS 模型的表现优于基线方法。此外，作者还构建了一个大规模数据集 HRDoc，并公开发布。

Mar, 2023