AltecOnDB：一个大词汇量阿拉伯语在线手写识别数据库

阿拉伯语是一种闪米特语系语言，具有复杂且丰富的形态。其书写系统中极高的歧义度、丰富的形态以及词根和模式高度复杂的构词过程，使得针对阿拉伯语的计算方法极具挑战性。因此，实用的手写识别系统应支持大词汇量以提供高覆盖率，并利用上下文信息进行消歧。已有许多研究工作致力于构建在线阿拉伯语手写识别系统，但这些方法大多使用其小型私有测试数据集，或使用词汇量和覆盖率有限的标准数据库。大规模手写数据库是推动在线手写识别研究的重要资源。目前，尚不存在具有大词汇量、高覆盖率、大量书写者以及充足训练/测试数据的在线阿拉伯语手写数据库。本文介绍了 AltecOnDB，一个大规模在线阿拉伯语手写数据库。AltecOnDB 覆盖了阿拉伯语所有可能的 PAWS 的 98%。收集的样本为包含数字和标点符号的完整句子。收集的数据可在句子、单词和字符级别获取，从而可使用高级语言模型来提升性能。数据收集自 1000 多名具有不同背景、性别和年龄的书写者。我们开发了标注和验证工具以辅助标注和验证阶段。我们构建了一个基础识别系统来测试我们的数据库，并展示了在处理大词汇量以及应对收集数据中大量风格变化时存在的困难。