論文の概要: AraMS-28k: The Largest Publicly Released Line-Level Dataset of Historical Arabic Manuscripts with Margin and Insertion-Anchor Annotations
- arxiv url: http://arxiv.org/abs/2608.26921v1
- Date: Thu, 27 Aug 2026 10:16:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.341249
- Title: AraMS-28k: The Largest Publicly Released Line-Level Dataset of Historical Arabic Manuscripts with Margin and Insertion-Anchor Annotations
- Title（参考訳）: AraMS-28k: Margin と Insertion-Anchor アノテーションによる歴史的アラビア文字の行レベルデータセット
- Abstract要約: AraMS-28kは、本物のアラビア文字写本のラインレベルのデータセットとしては最大である。
14冊の本、3,043ページ、注釈付きテキスト28,600行からなる。
データセットはリファレンスグラウンドのアノテーションパイプラインであるRefLAMで構築された。
- 参考スコア（独自算出の注目度）: 1.583691353033079
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce AraMS-28k, the largest publicly released line-level dataset of genuine historical Arabic manuscripts, comprising 14 books, 3,043 pages, and 28,600 annotated text lines (27,971 main-text, 629 margin). Thirteen books are hand-copied manuscripts spanning three script traditions -- Naskh, Ruq'ah, and Maghrebi -- and one is a lithographed printed edition included to broaden format diversity. Each line is labelled as main-text or margin, and margin lines that have an unambiguous attachment point in the main text are further annotated with an insertion anchor, recovering the manuscript's true non-linear reading order at line-level granularity -- to our knowledge the first such annotation released for a historical Arabic manuscript corpus. Because reference transcriptions are fully vocalised while manuscript hands are typically undiacritised, we release both the raw diacritised transcription and a diacritic-normalised counterpart for every line. The dataset was constructed with RefLAM, a reference-grounded annotation pipeline that aligns multimodal-LLM OCR against independently sourced clean transcriptions and routes every line through human review, combining automatic verification with expert oversight. We describe the construction and quality-control process, present the annotation schema, report dataset statistics at both the corpus and per-book level, and provide baseline HTR results using Kraken and HATFormer, including a cross-script generalisation gradient from in-distribution pages to fully unseen books. AraMS-28k is released with page images, line-level annotations, and fixed train/val/test splits under CC BY-NC-SA 4.0 to support reproducible research on Arabic manuscript recognition, layout analysis, and reading-order recovery.
- Abstract（参考訳）: AraMS-28kは、14冊の本、3,043ページ、28,600の注釈付きテキスト(27,971の主文、629のマージン)からなる、真正のアラビア写本のラインレベルデータセットとして最大である。
13冊の本は、ナスク、ルカ、マグヘレビの3つの文字の伝統にまたがる手書きの写本であり、その1冊は書式を拡大するためのリソグラフの印刷版である。
各行はメインテキストまたはマージンとしてラベル付けされ、メインテキストに曖昧なアタッチメントポイントを持つマージン行は、さらに挿入アンカーで注釈付けされ、ラインレベルの粒度で原稿の真の非線形読み込み順序を回復します。
参照文字は全音声化され、手書き文字は典型的には未発音であるので、各行に対して原発音文字とダイアクリティック正規化文字の両方を解放する。
データセットはRefLAMで構築された。RefLAMは、マルチモーダル・LLM OCRを独立にソースされたクリーンな書き起こしと整列し、人間のレビューを通じてすべての行をルーティングし、自動検証と専門家の監視を組み合わせる。
構築と品質管理のプロセスを説明し、アノテーションスキーマを示し、コーパスとブック単位のデータセット統計を報告し、KrakenとHATFormerを使ってベースラインのHTR結果を提供する。
AraMS-28k は CC BY-NC-SA 4.0 でページイメージ、行レベルのアノテーション、固定された列車/車両/テストスプリットと共にリリースされ、アラビア文字の原稿認識、レイアウト分析、読み出し順序回復に関する再現可能な研究をサポートする。
関連論文リスト
- RefLAM: A Reference-Grounded Line Annotation Pipeline for Historical Arabic Manuscripts [1.583691353033079]
RefLAMは、原稿のページイメージとクリーンな書き起こしを検証されたラインレベルの真実に変換するパイプラインである。
RefLAMは、構造化OCRのためのマルチモーダル大言語モデル(MLLM)とディープラーニングページセグメンテーションモデルを結合する。
AraMS-28k:14の歴史的アラビア写本、3,043ページ、27,971のメインテキスト、629のマージンラインアノテーションをリリースします。
論文 参考訳（メタデータ） (2026-08-25T20:46:11Z) - Impact of Iterative Fine-Tuning on Transcription Accuracy in Complex Historical Sanskrit Manuscripts [0.0]
我々は、レイアウトレベルと外観レベルにおいて、ターゲット原稿に反復的に微調整できる、従来のOCRパイプラインを導入する。
我々は3つの複雑な歴史写本からテキストをデジタル化し、標準のPAGE-XMLフォーマットのUnicodeアノテーションとともに、粒度の細かいレイアウトレベルのアノテーションを持つデータセットを導入します。
提案する従来のOCRパイプラインの反復的な微調整による定量的なゲインを示すとともに,導入データセット上でのマルチモーダル大規模言語モデルの性能をベンチマークする。
論文 参考訳（メタデータ） (2026-08-19T08:50:45Z) - Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation [60.151050016855834]
DASは出版指向の学術調査を作成するためのステートフルなエージェント・フレームワークである。
その鍵となる考え方は、再利用可能な紙分析とトピック固有の原稿構築を分離することである。
DASは4つの次元で最高点に達し、総合スコアは4.34であり、最強の競争相手は4.03である。
論文 参考訳（メタデータ） (2026-08-18T17:29:00Z) - 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) - Different Strokes for Different Folks: Writer Identification for Historical Arabic Manuscripts [0.5599792629509229]
手書きのアラビア語写本はアラブ世界の知的・文化的遺産を保存している。
歴史的アラビア写本のムハラフデータセットを用いて,個々の線画像から著者の識別を評価する。
著者識別のための注意機構を備えた畳み込みニューラルネットワーク(CNN)モデルを提案する。
論文 参考訳（メタデータ） (2026-04-24T12:55:16Z) - DohaScript: A Large-Scale Multi-Writer Dataset for Continuous Handwritten Hindi Text [1.299941371793082]
531名のコントリビュータから収集した手書きHindiテキストの大規模マルチライターデータセットであるDohaScriptを紹介した。
このデータセットは平行なスタイリスティックなコーパスとして設計されており、すべてのライターが6つの伝統的なヒンディー教のドーハ(カップレット)の同じ固定セットを転写する。
DohaScriptは、低リソースのスクリプト設定で連続手書きDevanagariテキストの研究を進めるための標準化され再現可能なベンチマークとして機能することを意図している。
論文 参考訳（メタデータ） (2026-02-20T09:25:14Z) - Paragraph Segmentation Revisited: Towards a Standard Task for Structuring Speech [61.00008468914252]
本稿では,音声処理とテキストセグメンテーションの交点における3つのギャップを埋める,欠落した構造化ステップとして,段落セグメンテーションを再考する。
ベンチマークは、伝統的に段落のセグメンテーションが後処理の一部ではない未調査の音声領域に焦点を当てている。
第二に、制約付き復号法を提案し、大言語モデルが原文を保存しながら段落を挿入できるようにする。
第三に、コンパクトモデル(MiniSeg)が最先端の精度を実現し、階層的に拡張されると、最小計算コストで章や段落を共同で予測できることが示される。
論文 参考訳（メタデータ） (2025-12-30T23:29:51Z) - Online Writer Retrieval with Chinese Handwritten Phrases: A Synergistic Temporal-Frequency Representation Learning Approach [53.189911918976655]
DOLPHINは,相乗的時間周波数解析による手書き表現の向上を目的とした新しい検索モデルである。
OLIWER(OLIWER)は,1,731人から670,000以上の中国語の字句を含む大規模オンライン作家検索データセットである。
本研究は,手書き表現の質向上における点サンプリング周波数と圧力特性の重要性を強調した。
論文 参考訳（メタデータ） (2024-12-16T11:19:22Z) - FABLES: Evaluating faithfulness and content selection in book-length summarization [55.50680057160788]
本稿では,本書の忠実度と内容選択の大規模評価を行う。
LLMが生成した26冊のサマリーで作成した3,158冊の注釈のデータセットであるFABLESを5.2KUSDで収集する。
注釈の分析によると、ほとんどの不誠実な主張は出来事や登場人物の状態に関係しており、物語を無効にするために間接的推論を必要とする。
論文 参考訳（メタデータ） (2024-04-01T17:33:38Z) - BN-HTRd: A Benchmark Dataset for Document Level Offline Bangla
Handwritten Text Recognition (HTR) and Line Segmentation [0.0]
我々は,単語,行,文書レベルのアノテーションからなるBanglaスクリプトの画像から,オフライン手書き文字認識(HTR)のための新しいデータセットを提案する。
BN-HTRdデータセットはBBC Bangla News corpusに基づいている。
私たちのデータセットには、約150の異なる著者によって作成された手書きページの788のイメージが含まれています。
論文 参考訳（メタデータ） (2022-05-29T22:56:26Z) - Rethinking Text Line Recognition Models [57.47147190119394]
2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。
広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。
より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
論文 参考訳（メタデータ） (2021-04-15T21:43:13Z)
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。