論文の概要: A Hybrid Vision Transformer Approach for Mathematical Expression Recognition

• arxiv url: http://arxiv.org/abs/2603.07929v1
• Date: Mon, 09 Mar 2026 03:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.411031
• Title: A Hybrid Vision Transformer Approach for Mathematical Expression Recognition
• Title（参考訳）: ハイブリッドビジョン変換器による数学的表現認識
• Authors: Anh Duy Le, Van Linh Pham, Vinh Loi Ly, Nam Quan Nguyen, Huu Thang Nguyen, Tuan Anh Tran,
• Abstract要約: 画像からシンボル間の複雑な関係を抽出するために,2次元位置符号化をエンコーダとするハイブリッドビジョントランス (HVT) を提案する。 カバレッジアテンションデコーダは、アンダーパーシングとオーバーパーシングの問題に対処するために、アテンションの履歴をよりよく追跡するために使用される。
• 参考スコア（独自算出の注目度）: 0.23090185577016445
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One of the crucial challenges taken in document analysis is mathematical expression recognition. Unlike text recognition which only focuses on one-dimensional structure images, mathematical expression recognition is a much more complicated problem because of its two-dimensional structure and different symbol size. In this paper, we propose using a Hybrid Vision Transformer (HVT) with 2D positional encoding as the encoder to extract the complex relationship between symbols from the image. A coverage attention decoder is used to better track attention's history to handle the under-parsing and over-parsing problems. We also showed the benefit of using the [CLS] token of ViT as the initial embedding of the decoder. Experiments performed on the IM2LATEX-100K dataset have shown the effectiveness of our method by achieving a BLEU score of 89.94 and outperforming current state-of-the-art methods.
• Abstract（参考訳）: 文書解析において重要な課題の1つは、数式認識である。 1次元構造画像のみに焦点を当てたテキスト認識とは異なり、数学的表現認識は2次元構造と異なる記号サイズのため、はるかに複雑な問題である。 本稿では,2次元位置符号化をエンコーダとするHVT(Hybrid Vision Transformer)を用いて,画像からシンボル間の複雑な関係を抽出する。 カバレッジアテンションデコーダは、アンダーパーシングとオーバーパーシングの問題に対処するために、アテンションの履歴をよりよく追跡するために使用される。 また,ViTの[CLS]トークンをデコーダの初期埋め込みとして使用するメリットも示した。 IM2LATEX-100Kデータセットで行った実験では,BLEUスコア89.94を達成し,最先端の手法よりも優れた結果を得た。

関連論文リスト

• When Text-as-Vision Meets Semantic IDs in Generative Recommendation: An Empirical Study [48.67151986743594]
  テキストを視覚信号として扱うことでセマンティックID学習の表現設計を再考する。 項目記述を画像に描画することで得られるOCRに基づくテキスト表現の体系的な実証的研究を行う。 OCR-text は, セマンティックID 学習における標準テキスト埋め込みと一意に一致しているか, 上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-21T06:18:57Z)
• UNIT: Unifying Image and Text Recognition in One Vision Encoder [51.140564856352825]
  UNITは、単一のモデル内で画像とテキストの認識を統一することを目的とした、新しいトレーニングフレームワークである。 文書関連タスクにおいて,UNITが既存の手法を著しく上回ることを示す。 注目すべきなのは、UNITはオリジナルのビジョンエンコーダアーキテクチャを保持しており、推論とデプロイメントの点で費用がかからないことだ。
  論文  参考訳（メタデータ） (2024-09-06T08:02:43Z)
• PosFormer: Recognizing Complex Handwritten Mathematical Expression with Position Forest Transformer [51.260384040953326]
  手書き数学的表現認識(HMER)は、人間と機械の相互作用シナリオに広く応用されている。 本稿では,HMERのための位置フォレスト変換器(PosFormer)を提案する。 PosFormerは、最先端のメソッドである2.03%/1.22%/2、1.83%、および4.62%を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-07-10T15:42:58Z)
• Subobject-level Image Tokenization [60.80949852899857]
  パッチベースの画像トークン化は、視覚世界の形態を無視する。 サブワードトークン化にヒントを得て,サブオブジェクトレベルの適応トークンセグメンテーションを導入する。 サブオブジェクトのトークン化は、より少ない視覚トークンを使用しながら、より高速な収束とより優れた一般化を可能にすることを示す。
  論文  参考訳（メタデータ） (2024-02-22T06:47:44Z)
• A Layer-Wise Tokens-to-Token Transformer Network for Improved Historical Document Image Enhancement [13.27528507177775]
  Tokens-to-token Vision Transformer に基づく新しい文書バイナライゼーション・エンコーダ・デコーダアーキテクチャである textbfT2T-BinFormer を提案する。 様々なDIBCOおよびH-DIBCOベンチマークの実験により、提案モデルは既存のCNNおよびViTベースの最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-06T23:01:11Z)
• Self-supervised Character-to-Character Distillation for Text Recognition [54.12490492265583]
  そこで本研究では,テキスト表現学習を容易にする汎用的な拡張を可能にする,自己教師型文字-文字-文字間蒸留法CCDを提案する。 CCDは、テキスト認識の1.38%、テキストセグメンテーションの1.7%、PSNRの0.24dB、超解像の0.0321(SSIM)で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-11-01T05:48:18Z)
• I2C2W: Image-to-Character-to-Word Transformers for Accurate Scene Text Recognition [68.95544645458882]
  本稿では,シーンの様々なノイズに対して正確かつ耐性のある新しいシーンテキスト認識装置I2C2Wについて述べる。 i2c2wはイメージ・ツー・キャラクタモジュール(i2c)と文字・ワードモジュール(c2w)から構成される。
  論文  参考訳（メタデータ） (2021-05-18T09:20:58Z)
• Primitive Representation Learning for Scene Text Recognition [7.818765015637802]
  本研究では,シーンテキスト画像の固有表現を活用した原始表現学習手法を提案する。 プリミティブ表現学習ネットワーク(PREN)は、並列デコードに視覚テキスト表現を使用するために構築される。 また,注意に基づく手法における不整合問題を軽減するために PREN2D というフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-10T11:54:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。