面向提格里尼亚语印刷文本识别的 TrOCR 适配：面向跨文字迁移学习的词感知损失加权

基于 Transformer 的 OCR 模型在拉丁文字和中日韩文字上表现出色，但其在非洲音节书写系统中的应用仍然有限。我们首次将 TrOCR 适配于使用吉兹文字的提格里尼亚语印刷文本。从预训练模型出发，我们将字节级 BPE 分词器扩展至覆盖 230 个吉兹字符，并引入词感知损失加权（Word-Aware Loss Weighting），以解决将基于拉丁文的 BPE 惯例应用于新文字时出现的系统性词边界失效问题。未经修改的模型在吉兹文本上无法产生可用输出。适配后，TrOCR-Printed 变体在来自 GLOCR 数据集的 5,000 张合成图像构成的保留测试集上，实现了 0.22% 的字符错误率和 97.20% 的精确匹配准确率。消融研究证实，词感知损失加权是关键组件，与仅扩展词表相比，将字符错误率降低了两个数量级。完整流程可在单块 8 GB 消费级 GPU 上于三小时内完成训练。所有代码、模型权重和评估脚本均已公开发布。