論文の概要: Systematic Literature Review of Machine Learning Models and Applications for Text Recognition
- arxiv url: http://arxiv.org/abs/2608.26500v1
- Date: Thu, 27 Aug 2026 00:48:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.208972
- Title: Systematic Literature Review of Machine Learning Models and Applications for Text Recognition
- Title（参考訳）: 機械学習モデルの体系的文献レビューとテキスト認識への応用
- Abstract要約: 機械ビジョンを用いた文字認識のための光学文字認識(OCR)は大幅に改善された。
従来のOCRモデルは、スクリプトのバリエーションやスタイル、文書の劣化に悩まされている。
技術の進歩は、複数の言語と複雑なデータフォーマットを扱うアーキテクチャを改善した、新しいAIモデルにつながっている。
- 参考スコア（独自算出の注目度）: 0.08431877864777443
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Optical Character Recognition (OCR) for text recognition using machine vision has significantly improved, particularly when handling heterogeneous textual data. Traditional OCR models struggle with script variations, writing styles, and degraded documents. Advancements in technology are leading to new AI models with improved architecture for handling multiple languages and complex data formats. Despite this progress, a comprehensive evaluation of OCR advancements remains limited. Based on the established preferred reporting items for systematic reviews and meta-analysis (PRISMA) guidelines, this literature review presents an extensive assessment of OCR research to trace the evolution of AI models over the past decade. It explores the transition in AI models, application domains, data types, linguistic coverage, and challenges. Through a detailed analysis of 97 selected studies published during January 2015 - January 2025, key OCR models are identified, and their performance, strengths, and limitations are analyzed. The findings highlight how OCR technologies have evolved to address structured and unstructured text, scene text recognition, and multilingual processing. Unresolved challenges include limited resources for underrepresented languages, high variability in handwritten text, visual similarity among characters, and constraints in real-time OCR applications. To address these issues, several promising approaches are proposed. Key suggestions include self-supervised learning, multimodal AI, automated machine learning (AutoML), AI-assisted postprocessing, tiny machine learning (TinyML), and the creation of joint corpora for script matching. The future recommendations aim to enhance OCR accuracy and tackle the challenges identified for real-time industrial applications. This study will guide future research and establish a foundation for OCR field.
- Abstract（参考訳）: 機械ビジョンを用いたテキスト認識のための光学文字認識(OCR)は、特に異種テキストデータを扱う場合、大幅に改善されている。
従来のOCRモデルは、スクリプトのバリエーションやスタイル、文書の劣化に悩まされている。
技術の進歩は、複数の言語と複雑なデータフォーマットを扱うアーキテクチャを改善した、新しいAIモデルにつながっている。
この進歩にもかかわらず、OCRの総合的な評価は依然として限られている。
体系的レビューとメタ分析(PRISMA)ガイドラインのための確立された推奨報告項目に基づいて、この文献レビューは、過去10年間のAIモデルの進化を辿るために、OCR研究の広範な評価を提示する。
AIモデル、アプリケーションドメイン、データタイプ、言語的カバレッジ、課題の移行について検討する。
2015年1月から2025年1月までに発表された97の選抜された研究の詳細な分析を通じて、主要なOCRモデルを特定し、その性能、強度、限界を分析した。
その結果,OCR技術が構造化および非構造化テキスト,シーンテキスト認識,多言語処理にどのように発展してきたかが明らかになった。
未解決の課題には、不足言語のための限られたリソース、手書きテキストの高可変性、文字間の視覚的類似性、リアルタイムOCRアプリケーションにおける制約などがある。
これらの問題に対処するために、いくつかの有望なアプローチが提案されている。
主な推奨事項は、自己教師付き学習、マルチモーダルAI、自動機械学習(AutoML)、AI支援された後処理、小さな機械学習(TinyML)、スクリプトマッチングのための共同コーパスの作成である。
今後の勧告は、OCRの精度を高め、リアルタイム産業アプリケーションで特定される課題に取り組むことを目的としている。
本研究は今後の研究を導くとともに,OCR分野の基礎を確立するものである。
関連論文リスト
- Automatic detection of Gen-AI texts: A comparative framework of neural models [8.423689720638846]
本稿では,複数の機械学習ベース検出器の設計,実装,評価を通じて,AIが生成するテキスト検出の問題について検討する。
マルチレイヤパーセプトロン、1次元畳み込みニューラルネットワーク、MobileNetベースのCNN、トランスフォーマーモデルという4つのニューラルネットワークが開発・分析されている。
その結果、教師付き検出器は、様々な言語やドメインにわたる商用ツールよりも安定で堅牢な性能を実現することがわかった。
論文 参考訳（メタデータ） (2026-03-19T10:55:07Z) - Automated Invoice Data Extraction: Using LLM and OCR [0.0]
この研究は、OCR、ディープラーニング、LLM(Large Language Models)、グラフ分析を組み合わせた総合人工知能(AI)プラットフォームを導入し、前例のない抽出品質と一貫性を実現する。
論文 参考訳（メタデータ） (2025-11-01T19:05:09Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - A Survey on Parallel Text Generation: From Parallel Decoding to Diffusion Language Models [71.66119575697458]
トークン・バイ・トークン生成のボトルネックを破り、推論効率を向上させることを目的とした並列テキスト生成技術。
既存のアプローチをARベースのパラダイムと非ARベースのパラダイムに分類し、各カテゴリの中核技術について詳細に検討する。
我々は、最近の進歩を強調し、オープンな課題を特定し、並列テキスト生成における将来的な研究の方向性を概説する。
論文 参考訳（メタデータ） (2025-08-12T07:56:04Z) - Advancing Offline Handwritten Text Recognition: A Systematic Review of Data Augmentation and Generation Techniques [4.5220419118352915]
本稿では,オフライン手書きデータの拡張と生成技術について調査する。
本稿では,近年のディープラーニングの進歩とともに,従来の拡張手法について検討する。
多様なリアルな筆跡サンプルの作成に関わる課題について検討する。
論文 参考訳（メタデータ） (2025-07-08T12:03:58Z) - VISTA-OCR: Towards generative and interactive end to end OCR models [3.7548609506798494]
VISTA-OCRは、単一の生成モデル内でテキストの検出と認識を統合する軽量アーキテクチャである。
エンコーダ-デコーダアーキテクチャに基づいて構築されたVISTA-OCRは、視覚的特徴抽出フェーズから始まり、徐々に訓練される。
モデルの性能を高めるために、バウンディングボックスアノテーションと合成サンプルで強化された実世界のサンプルからなる新しいデータセットを構築した。
論文 参考訳（メタデータ） (2025-04-04T17:39:53Z) - A Survey of Model Architectures in Information Retrieval [59.61734783818073]
2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
今後の課題と今後の方向性について、先見的な議論で締めくくります。
論文 参考訳（メタデータ） (2025-02-20T18:42:58Z) - Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - Mixed Text Recognition with Efficient Parameter Fine-Tuning and Transformer [12.966765239586994]
本稿では,事前学習したOCR変換器に基づくパラメータ効率の高いハイブリッドテキストスポッティング手法であるDLoRA-TrOCRを提案する。
重み分解されたDoRAモジュールを画像エンコーダに、LoRAモジュールをテキストデコーダに埋め込むことで、様々な下流タスクを効率的に微調整することができる。
実験により,提案したDLoRA-TrOCRは,手書き,印刷,ストリートテキストを混合した複雑なシーン認識において,他のパラメータ効率の高い微調整手法よりも優れていた。
論文 参考訳（メタデータ） (2024-04-19T09:28:16Z) - OCRBench: On the Hidden Mystery of OCR in Large Multimodal Models [122.27878464009181]
テキスト関連視覚タスクにおいて, GPT4V や Gemini などの大規模マルチモーダルモデルの包括的評価を行った。
OCRBenchには29のデータセットがあり、最も包括的なOCR評価ベンチマークが利用できる。
論文 参考訳（メタデータ） (2023-05-13T11:28:37Z) - 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) - Review of coreference resolution in English and Persian [8.604145658574689]
参照解決(CR)は、同じ現実世界の実体を参照する表現を識別する。
本稿では、コア参照とアナフォラ分解能にまたがるCRの最近の進歩について考察する。
ペルシャのCRの独特な課題を認識し、このアンダーリソース言語に焦点をあてる。
論文 参考訳（メタデータ） (2022-11-08T18:14:09Z)
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。