Распознавание исторических рукописных документов с применением методов глубокого машинного обучения
Боковая панель статьи
Основное содержимое статьи
Аннотация
Настоящая работа посвящена разработке и анализу нейросетевых подходов и методов к решению задачи распознавания рукописных документов. Для решения данной задачи в работе предлагается использовать модели глубоких нейронных сетей. Рассматриваются вопросы конфигурации и обучения рассматриваемых моделей, также описываются и анализируются возможные их усовершенствования. Приводятся результаты численного исследования всех предложенных подходов и сравнение их эффективности в решении поставленной задачи.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks / A. Graves, S. Fernandez, F. Gomez, J. Schmidhuber //Proceedings of the 23rd interna-tional conference on Machine learning. – 2006. – С. 369-376.
Graves, A. Offline Handwriting Recognition with Multidimensional Recurrent Neural Networks / A. Graves, J. Schmidhuber // Proceedings of the 21st International Conference on Neural Infor-mation Processing Systems (NIPS'08). – 2008. – С. 545-552.
Convolve, attend and spell: An attention-based sequence-to-sequence model for handwritten word recognition / L. Kang [et al.] //Pattern Recognition: 40th German Conference, GCPR 2018, Stuttgart, Germany, October 9-12, 2018, Proceedings 40. – Springer International Publishing, 2019. – С. 459-472.
TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models / Minghao Li [et al.] // Proceedings of the AAAI Conference on Artificial Intelligence. – 2023. – Т. 37. – №. 11. – С. 13094-13102.
IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks / L. Cheng et al. // Proceedings of the 60th Annual Meeting of the Association for Computational Lin-guistics. – 2022. – Vol. 1. – С. 2277–2287.
Ba J. Layer Normalization / J. Ba, J. Kiros, G. Hinton // arXive.org e-Print archive. – 2016. – DOI: 10.48550/arXiv.1607.06450.
Exploring the limits of transfer learning with a unified text-to-text transformer / C. Raffel [et al.] //Journal of machine learning research. – 2020. – Т. 21. – №. 140. – С. 1-67. – URL: http://jmlr.org/papers/v21/20-074.html.
ICFHR 2014 competition on handwritten keyword spotting (H-KWS 2014) / I. Pratikakis [et al.] // 2014 14th International Conference on Frontiers in Handwriting Recognition. – IEEE, 2014. – С. 814-819. – DOI: 10.1109/ICFHR.2014.142.