真实标注质量对手写识别的影响

手写识别是获取旧手稿内容的关键技术，有助于保护文化遗产。深度学习在解决这一任务方面展现出了令人瞩目的性能。然而，要充分发挥其潜力，需要大量标注数据，这对于古代语言和文字来说很难获取。通常，必须在真实标注的数量和质量之间进行权衡，最近引入的 Bullinger 数据库就是如此。该数据库包含超过十万个标注文本行图像，这些图像主要是通过将现有的页面级转录与文本行图像自动对齐而获得的近代早期德语和拉丁语文本。然而，对齐过程引入了系统性错误，例如错误的连字符单词。在本文中，我们调查了此类错误对训练和评估的影响，并提出了检测和纠正典型对齐错误的方法。