计算古文字学综述
这篇论文介绍了 Pythia,它是第一个使用深度神经网络从损坏的文本中恢复缺失字符的古代文本修复模型,在 PHI-ML 上实现了 30.1% 的字符错误率并在古代文字修复领域达到了最新水平。
Oct, 2019
基于深度学习和变分自编码器方法,针对库内容丰富的超过 94,000 张楔形文字片的数据集,通过研究其轮廓形状作为关键指标,成功实现了古代文献的自动分类和时代定位,为历史学家和铭刻学家提供了更深入的洞察和解释工具。
Jun, 2024
我们提出了一项以任务为导向的知识检索研究议程,利用计算模型和人工智能技术,摄取科学知识的典籍,检索灵感、解释、解决方案和证据,直接增强人类在科学领域突出任务上的表现,进而革命性地推动科学进程。
May, 2022
这篇文章介绍了一种新型生成神经网络,能够有效将数字墨水中的内容和风格进行解耦,从而实现数字墨水内容的可编辑性。同时,该神经网络还能够进行风格转移而不改变原有内容,并能在单词级别上编辑数字墨水。
Jan, 2018
利用多目标问题公式和非支配排序遗传算法(NSGA-II)调整参数,本文评估了在光学字符识别(OCR)应用于打字文化遗产文件时图像处理方法和参数调整的影响,并发现通过数字表示类型来针对图像预处理算法进行参数化可以提高 OCR 的性能。特别是自适应阈值法、双边滤波器和开操作是剧院封面、信件和整体数据集中表现最好的算法,应在 OCR 之前应用以提高其性能。
Nov, 2023
该研究论文调查了脚本识别和文本识别的现有方法和技术,并讨论了在处理和识别脚本方面的技术改进,特别是针对印度的 12 种主要印度文字的复杂特征和高级预处理方法。
Aug, 2023
该研究提出了一种新的 “递归编码” 方法,以便计算机可以处理符号的笔画排列,从而解决楔形文字教学中检索未知符号的问题,并通过一系列新的算法使学生能够使用任何独特的组成部分来查找符号,并提供了电子形式呈现符号和文版的新方法。
Jun, 2024