論文の概要: Towards a Joint Khmer Text Recognition and Word Segmentation

• arxiv url: http://arxiv.org/abs/2608.30213v1
• Date: Mon, 31 Aug 2026 03:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.21474
• Title: Towards a Joint Khmer Text Recognition and Word Segmentation
• Title（参考訳）: 共同クメールテキスト認識と単語セグメンテーションを目指して
• Abstract要約: 本稿では,統一モデルを用いた新しいKhmerテキスト認識と単語分割フレームワークを提案する。 提案モデルでは,文書画像の文字認識だけでなく,単語境界の特定も可能である。
• 参考スコア（独自算出の注目度）: 3.5477182055025107
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Text recognition, or extracting electronic text from document images, has been indispensable for knowledge retrieval tasks, such as retrieval-augmented generation (RAG). For Khmer, extracted text is subject to an extra word segmentation step, as Khmer does not use any visible word delimiters to denote word boundaries. Thus, a recognition-then-segmentation pipeline for Khmer requires two separate sequential models; this is not only error-prone but also adds significant latency for large-scale document processing. This paper proposes a novel joint Khmer text recognition and word segmentation framework in a unified model. The proposed model, using a connectionist-temporal-classification (CTC) decoder for fast, parallel decoding, can be instructed to recognize Khmer text with ($b=1$) and without ($b=0$) word segmentation. Experimental results on different benchmark datasets of different document modalities (document, scene, and handwritten images) show that the proposed model can not only recognize characters in document images but also locate word boundaries, removing the need for an extra word segmentation step in a conventional sequential pipeline.
• Abstract（参考訳）: 文書画像から電子テキストを抽出するテキスト認識は、検索強化生成(RAG)のような知識検索タスクには不可欠である。 クメールにとって、抽出されたテキストは余分な単語セグメンテーションのステップを受けており、クメールは単語境界を表すために目に見える単語区切り文字を一切使用していない。 したがって、Khmerの認識領域分割パイプラインは、2つの別々のシーケンシャルモデルを必要とする。 本稿では,統一モデルを用いた新しいKhmerテキスト認識と単語分割フレームワークを提案する。 提案モデルでは,高速かつ並列な復号化のためのCTCデコーダを用いて,Khmerテキストを(b=1$)かつ(b=0$)ワードセグメンテーションなしで認識するように指示することができる。 異なる文書モダリティのベンチマークデータセット(文書、シーン、手書き画像)による実験結果から、提案モデルは文書画像の文字を認識するだけでなく、単語境界の特定も可能であり、従来の逐次パイプラインでは余分な単語セグメンテーションのステップが不要であることが示された。

関連論文リスト

• 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)
• TextBite: A Historical Czech Document Dataset for Logical Page Segmentation [0.0]
  従来のアプローチは論理的セグメンテーションを定義するためにOCRや正確な幾何学に依存していた。 OCRの必要性を避けるため、我々はタスクを画像領域のセグメンテーションとして純粋に定義する。 我々は18世紀から20世紀にかけてのチェコの歴史文書のデータセットであるTextBiteを紹介した。 データセットは、8,449のページイメージと78,863の注釈付きテキストと、論理的および数学的にコヒーレントなテキストからなる。
  論文  参考訳（メタデータ） (2025-03-20T19:19:12Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• Out of Length Text Recognition with Sub-String Matching [54.63761108308825]
  本稿では,このタスクをOOL(Out of Length)テキスト認識と呼ぶ。 サブ文字列マッチング(SMTR)を用いたOOLテキスト認識手法を提案する。 SMTRは2つのクロスアテンションベースのモジュールから構成される: 1つは複数の文字を含むサブストリングを次のクエリと前のクエリにエンコードし、もう1つは画像の特徴に対応するためにクエリを使用する。
  論文  参考訳（メタデータ） (2024-07-17T05:02:17Z)
• From Text Segmentation to Smart Chaptering: A Novel Benchmark for Structuring Video Transcriptions [63.11097464396147]
  音声コンテンツに焦点をあてた新しいベンチマークYTSegを導入し、その内容は本質的に非構造的であり、トポロジと構造的にも多様である。 また,高効率な階層分割モデルMiniSegを導入する。
  論文  参考訳（メタデータ） (2024-02-27T15:59:37Z)
• Efficiently Leveraging Linguistic Priors for Scene Text Spotting [63.22351047545888]
  本稿では,大規模テキストコーパスから言語知識を活用する手法を提案する。 シーンテキストデータセットとよく一致したテキスト分布を生成し、ドメイン内の微調整の必要性を取り除く。 実験結果から,本手法は認識精度を向上するだけでなく,単語のより正確な局所化を可能にすることが示された。
  論文  参考訳（メタデータ） (2024-02-27T01:57:09Z)
• Segmenting Messy Text: Detecting Boundaries in Text Derived from Historical Newspaper Images [0.0]
  新聞の結婚発表リストを1つの発表単位に分けるという,困難なテキストセグメンテーションの課題について考察する。 多くの場合、情報は文に構造化されず、隣接するセグメントは互いに位相的に区別されない。 本稿では,このようなテキストをセグメント化するための新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T05:17:06Z)
• Copy Is All You Need [66.00852205068327]
  既存のテキストコレクションからテキストセグメントを段階的にコピーするテキスト生成を定式化する。 提案手法は, 自動評価と人的評価の両方により, より優れた生成品質を実現する。 当社のアプローチでは,より大規模なテキストコレクションにスケールアップすることで,さらなるパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-07-13T05:03:26Z)
• Joint Chinese Word Segmentation and Part-of-speech Tagging via Two-stage Span Labeling [0.2624902795082451]
  SpanSegTagと名づけられた中国語単語分割と音声タグ付けのためのニューラルモデルを提案する。 実験の結果,BERTベースのモデルであるSpanSegTagは,CTB5,CTB6,UDデータセット上での競合性能を達成した。
  論文  参考訳（メタデータ） (2021-12-17T12:59:02Z)
• Joint Khmer Word Segmentation and Part-of-Speech Tagging Using Deep Learning [0.0]
  単一深層学習モデルを用いた共同ワードセグメンテーションとPOSタグ付け手法を提案する。 提案したモデルは、Khmer POSデータセットを使用してトレーニングされ、テストされた。 検証の結果、ジョイントモデルの性能は従来の2段階POSタグングと同等であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-31T04:26:54Z)
• Word Segmentation from Unconstrained Handwritten Bangla Document Images using Distance Transform [34.89370782262938]
  本稿では,制約のないBangla手書き文書画像から直接テキストを自動分割する手法について述べる。 単語画像の外部境界の位置を求めるために,一般的な距離アルゴリズムを適用した。 提案手法は,CMATERdbデータベースから取得した50個のランダム画像に対して実験を行った。
  論文  参考訳（メタデータ） (2020-09-17T03:14:27Z)

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。