論文の概要: Cross-Temporal Sinhala OCR: Page-Level Adaptation and Diachronic Analysis
- arxiv url: http://arxiv.org/abs/2606.29378v1
- Date: Sun, 28 Jun 2026 13:01:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.900872
- Title: Cross-Temporal Sinhala OCR: Page-Level Adaptation and Diachronic Analysis
- Title（参考訳）: Sinhala OCR : ページレベル適応とダイアクロニック解析
- Abstract要約: ページレベルのSinhala OCR用の実世界のデータセットは公開されていない。
我々は1010ページレベルの画像とその転写の注釈付きデータセットである sinhala-ocr-lk-acts-1010 を導入した。
深層学習に基づく視覚言語処理に基づく3つのモデルをQLoRAを用いて微調整する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sinhala is a morphologically rich abugida spoken by roughly 16 million people in Sri Lanka, and to date, there are no publicly available real-world datasets for page-level Sinhala OCR. All previous studies for assessing Sinhala OCR models have used artificially generated data. To bridge the gap, we introduce sinhala-ocr-lk-acts-1010, an annotated dataset of 1,010 page-level images and their transcriptions collected from Sri Lankan Legislative Acts published between 1981-1989 and 2000-2019, split into 707 training examples, 101 validation examples, and 202 testing examples. Three models based on deep learning-based visual language processing, namely DeepSeek-OCR V1, DeepSeek-OCR V2, and LightOnOCR-2-1B, are fine-tuned using QLoRA in 8 experiments conducted on consumer and cloud GPUs. LightOnOCR-2-1B is the top performer, achieving a CER of 1.05% across all test examples, outperforming state-of-the-art open-source OCR models such as Surya-OCR (8.84%) and Tesseract v5 (10.69%), as well as commercially available OCR models such as Google Document AI (2.06%). Our results suggest that LightOnOCR-2-1B outperforms other baselines on real-world OCR tasks and maintains consistent performance across all print periods, even when documents are severely degraded.
- Abstract（参考訳）: Sinhalaはスリランカで約1600万人が話していた形態学的に豊かな虫であり、現在、ページレベルのSinhala OCRの実際のデータセットは公開されていない。
Sinhala OCRモデルを評価するための過去の研究はすべて、人工的に生成されたデータを用いている。
このギャップを埋めるために,1981-1989年と2000-2019年に発行されたスリランカ立法法(Sri Lankan Legislative Acts)から収集された1010ページレベルの画像とそれらの転写の注釈付きデータセットである sinhala-ocr-lk-acts-1010 を導入し,707 のトレーニング例、101 の検証例、202 のテスト例に分割した。
ディープラーニングベースのビジュアル言語処理に基づく3つのモデル、DeepSeek-OCR V1、DeepSeek-OCR V2、LightOnOCR-2-1Bは、コンシューマとクラウドGPUで実施された8つの実験でQLoRAを使用して微調整される。
LightOnOCR-2-1Bはトップパフォーマーであり、Surya-OCR (8.84%)やTesseract v5 (10.69%)といった最先端のオープンソースOCRモデル、Google Document AI (2.06%)などの商用OCRモデルを上回る1.05%のCERを達成した。
以上の結果から,LightOnOCR-2-1Bは実際のOCRタスクにおいて他のベースラインよりも優れており,文書が著しく劣化しても,すべての印刷期間にわたって一貫した性能を維持することが示唆された。
関連論文リスト
- How Far Can Synthetic Data Take Thai OCR? [3.8641218447429657]
我々は、実際のタイ語文書ページのOCRラベルを使わずに適合したタイ語OCRモデルを構築した。
合成データは正確なラベルを提供するが、"現実主義"はソースドメイン、ページコンテキスト、タイポグラフィー、空間構造、グリフ変動を融合させる。
印刷および手書きタイ語文書のページレベルおよび作物レベルでの訓練において,各変種を評価する。
論文 参考訳（メタデータ） (2026-09-03T09:46:19Z) - TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。
TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
論文 参考訳（メタデータ） (2026-08-08T04:50:00Z) - GlotOCR Bench: OCR Models Still Struggle Beyond a Handful of Unicode Scripts [58.92151016423978]
我々は100以上のUnicodeスクリプトでOCRを評価する総合ベンチマークであるGlotOCR Benchを紹介する。
我々のベンチマークは、実際の多言語テキストからレンダリングされたクリーンで劣化した画像の変種で構成されている。
オープンウェイトでプロプライエタリなビジョン言語モデルを幅広く評価した結果,ほとんどの場合,10文字未満でうまく動作することがわかった。
論文 参考訳（メタデータ） (2026-04-14T17:12:41Z) - A Benchmark of State-Space Models vs. Transformers and BiLSTM-based Models for Historical Newspaper OCR [4.247423625723055]
線形時間状態空間モデル(SSM)は、OCRのトランスフォーマーベースのシーケンスモデリングに代わるスケーラブルな代替品である。
我々は、CNNビジュアルエンコーダと双方向および自己回帰型マンバシーケンスモデリングを組み合わせた、SSMに基づく最初のOCRアーキテクチャを提案する。
本研究では,マンバをベースとしたモデルが,推論時間の半分を保ち,メモリスケーリングに優れることを示す。
論文 参考訳（メタデータ） (2026-04-01T10:33:33Z) - LightOnOCR: A 1B End-to-End Multilingual Vision-Language Model for State-of-the-Art OCR [0.29410438275861583]
我々は,多言語視覚言語モデルである textbfLightOnOCR-2-1B を提案する。
大規模で高品質な蒸留混合物でスキャン、フランス語文書、科学PDFを強くカバーし、LightOnOCR-2はOlmOCR-Benchの最先端の結果を得る。
私たちはApache 2.0でモデルチェックポイントをリリースし、データセットと textbfLightOnOCR-bbox-bench の評価をそれぞれのライセンスで公開しています。
論文 参考訳（メタデータ） (2026-01-20T18:58:32Z) - Zero-shot OCR Accuracy of Low-Resourced Languages: A Comparative Analysis on Sinhala and Tamil [1.256381443503838]
本研究では,2つの低リソース言語(LRL)上での6つのOCRエンジンのゼロショット性能の比較分析を行った。
選択されたエンジンには、各カテゴリの強度を評価することを目的とした、商用およびオープンソース両方のシステムが含まれている。
Cloud Vision API、Surya、Document AI、TesseractはSinhalaとTamilで評価され、Subasa OCRとEasyOCRは制限のために1つの言語で検査された。
論文 参考訳（メタデータ） (2025-07-24T10:08:43Z) - QiMeng-CodeV-R1: Reasoning-Enhanced Verilog Generation [51.393569044134445]
大きな言語モデル(LLM)は、強化学習と検証可能な報酬(RLVR)によって訓練され、明示的で自動化可能な検証を伴うタスクにおいてブレークスルーを達成した。
しかし、自然言語(NL)仕様からVerilogのようなハードウェア記述言語(HDL)を自動的に生成するRLVRの拡張には、3つの大きな課題がある。
本稿では,Verilog 生成 LLM をトレーニングするための RLVR フレームワークである CodeV-R1 を紹介する。
論文 参考訳（メタデータ） (2025-05-30T03:51:06Z) - PsOCR: Benchmarking Large Multimodal Models for Optical Character Recognition in Low-resource Pashto Language [2.1540520105079697]
我々はPashto OCRデータセット(PsOCR)を開発し、単語、行、文書レベルで境界ボックスを付加した100万枚の画像からなる。
PsOCRは1000種類のフォントファミリ、色、画像サイズ、レイアウトをカバーしている。
7つのオープンソースモデルを含む複数のLMMの性能を評価するため、10K画像のベンチマークサブセットが選択された。
Geminiはすべてのモデルの中で最高のパフォーマンスを達成しているが、オープンソースモデルではQwen-7Bが際立っている。
論文 参考訳（メタデータ） (2025-05-15T07:58:38Z) - NTIRE 2025 Challenge on Short-form UGC Video Quality Assessment and Enhancement: KwaiSR Dataset and Study [57.45921692668671]
我々は、KwaiSRと呼ばれるワイルドな画像超解像のための最初のベンチマークデータセットを構築した。
このデータセットは、合成と野生の2つの部分からなるクウェープラットフォームから収集される。
KwaiSRデータセットに基づいて、第2の短いビデオ品質評価と改善に関するNTIRE 2025チャレンジを組織する。
論文 参考訳（メタデータ） (2025-04-21T10:04:26Z) - Enhancing Legal Case Retrieval via Scaling High-quality Synthetic Query-Candidate Pairs [67.54302101989542]
判例検索は、ある事実記述の参照として類似した事例を提供することを目的としている。
既存の作業は主に、長いクエリを使ったケース・ツー・ケースの検索に重点を置いている。
データスケールは、既存のデータハングリーニューラルネットワークのトレーニング要件を満たすには不十分である。
論文 参考訳（メタデータ） (2024-10-09T06:26:39Z) - LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。
125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。
これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-03-04T15:34:12Z) - User-Centric Evaluation of OCR Systems for Kwak'wala [92.73847703011353]
OCRを利用すると、文化的に価値ある文書の書き起こしに費やした時間を50%以上削減できることを示す。
この結果から,OCRツールが下流言語ドキュメントや再生作業において持つ潜在的なメリットが示された。
論文 参考訳（メタデータ） (2023-02-26T21:41:15Z)
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。