多语言历史文本 OCR 的改进
计算机视觉与模式识别
2025-08-15 v1 计算与语言
摘要
本文呈现我们在光学字符识别（OCR）和文档布局分析中使用先进深度学习技术的 methodology 与发现。首先，针对死海古卷的希伯来文碎片，我们通过广泛的数据增强来增强数据集，并采用 Kraken 和 TrOCR 模型提高字符识别。在分析 16 至 18 世纪的会议决议文本时，我们利用集成深度学习分割（DeepLabV3+）与双向 LSTM 的卷积循环神经网络（CRNN），并采用基于置信度的伪标签方法来细化模型。最后，针对现代英文字体手写体识别任务，我们应用带有 ResNet34 编码器的 CRNN，使用连接式时序分类（CTC）损失函数有效捕获序列依赖关系。本报告提供了宝贵的见解，并为未来研究指明了潜在方向。
关键词
引用
@article{arxiv.2508.10356,
title = {Improving OCR for Historical Texts of Multiple Languages},
author = {Hylke Westerdijk and Ben Blankenborg and Khondoker Ittehadul Islam},
journal= {arXiv preprint arXiv:2508.10356},
year = {2025}
}