論文の概要: OCR-Based Field Extraction for Archaeological Pottery Metadata: The CENTURIA Dataset
- arxiv url: http://arxiv.org/abs/2608.30616v1
- Date: Mon, 31 Aug 2026 11:26:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.362081
- Title: OCR-Based Field Extraction for Archaeological Pottery Metadata: The CENTURIA Dataset
- Title（参考訳）: OCRを用いた考古学的ポテトリーメタデータのフィールド抽出:CENTURIAデータセット
- Abstract要約: 考古学者は、しばしば技術図面や手書きのメタデータを通して陶器の発見を文書化している。
CENTURIAは、ローマのカルヌントゥム遺跡から得られた507の陶器の記録のデータセットであり、文字起こし、バウンディングボックス、および構造化されたフィールドレベルのラベルを提供する。
我々は,手書きの陶器の文書を,考古学データベースに適した構造化された検索可能なメタデータに変換するために,専門家が検証した小さな微調整セットが十分であることを示す。
- 参考スコア（独自算出の注目度）: 4.96981595868944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pottery is a primary source for reconstructing the chronological and economic dimensions of past societies. Archaeologists often document ceramic finds through technical drawings and handwritten metadata. This metadata is critical for dating, provenance attribution, and cross-site comparison, but remains inaccessible to computational analysis, requiring manual transcription of every record. We investigate whether state-of-the-art document analysis models can address this task, and introduce CENTURIA, a dataset of 507 pottery records from the Roman site of Carnuntum, providing transcriptions, bounding boxes, and structured field-level labels across seven metadata categories. Benchmarking five OCR models reveals a substantial domain gap: zero-shot transcription error reaches 15-32% SpACER-M, far exceeding rates on printed archival documents, with domain-specific fields recovered in fewer than 3% of cases. LoRA fine-tuning on just 57 samples, reflecting a realistic archival annotation budget, closes this gap, reducing transcription error to below 1.5% and recovering overall field-level accuracy above 87%. Our results show that a small expert-validated fine-tuning set suffices to convert handwritten pottery documentation into structured, searchable metadata ready for archaeological databases.
- Abstract（参考訳）: ポテトリーは過去の社会の年代と経済の次元を再構築するための主要な情報源である。
考古学者は、しばしば技術図面や手書きのメタデータを通して陶器の発見を文書化している。
このメタデータは、日付、帰属属性、およびクロスサイト比較に重要であるが、計算分析にはアクセスできないため、すべてのレコードを手動で書き起こす必要がある。
CENTURIAは,ローマのカルントゥム遺跡から得られた507の陶器記録のデータセットであり,7つのメタデータカテゴリにまたがる転写,バウンディングボックス,および構造化されたフィールドレベルラベルを提供する。
5つのOCRモデルのベンチマークでは、ゼロショットの転写エラーが15～32%のSpACER-Mに達した。
57サンプルのLoRA微調整は、現実的なアーカイブアノテーション予算を反映し、このギャップを埋め、転写エラーを1.5%以下に減らし、全フィールドレベルの精度を87%以上回復させる。
この結果から,手書きの陶磁器文書を,考古学データベースに適した構造化された検索可能なメタデータに変換するために,専門家が検証した微調整セットが十分であることがわかった。
関連論文リスト
- 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) - AGORA: An Archive-Grounded Benchmark for Agentic Workplace Document Reasoning [52.23991730630292]
大規模言語モデルは、パラメトリックな知識から答えるのではなく、文書を推論するエージェントとして、ますます多くデプロイされている。
大規模な、散らかった職場ファイルの集合にスパース証拠を配置し、一貫性のない用語、単位、時間規則を調整し、答えを計算する。
私たちは、362の質問と9,664の認証ドキュメントと372Mのトークンの8つのドメインコレクションをペアリングするベンチマークであるAgoraを紹介します。
論文 参考訳（メタデータ） (2026-06-23T12:57:18Z) - RealDocBench: A Benchmark for Field-Level QA and Layout Understanding on Real-World Regulated Documents [0.9003228139607131]
文書解析システムは、住宅ローンの引受、財務報告、サプライチェーンのロジスティクス、臨床記録などの規制された領域にますます多く展開されている。
ほとんどの公開ベンチマークは、学術的なレイアウトや合成散文のアダプタを評価し、単一のOCRまたはマークダウンレベルの類似度スコアを報告している。
実際に規制された文書から構築された2トラックのベンチマークであるRealDocBenchを紹介する。
論文 参考訳（メタデータ） (2026-06-05T15:41:34Z) - Quid est VERITAS? A Modular Framework for Archival Document Analysis [2.4937400423177762]
本稿では、デジタル化を転写、レイアウト分析、セマンティックエンリッチメントを含む統合ワークフローとして再認識するフレームワークであるVERITASを提案する。
我々は,ベルナルディーノ・コリオの『ミラノのストリア』の批判版において,1,600ページを超えるルネサンス期の年代記であるVERITASを評価した。
論文 参考訳（メタデータ） (2026-03-30T07:14:51Z) - BLUEPRINT Rebuilding a Legacy: Multimodal Retrieval for Complex Engineering Drawings and Documents [3.972942030662871]
大規模エンジニアリングレポジトリを対象としたレイアウト対応マルチモーダル検索システムBlueprintを提案する。
Blueprintは標準描画領域を検出し、領域制限付きVLMベースのOCRを適用し、識別子を正規化し、軽量な領域レベルの再ランカで語彙的および密度の高い検索を融合する。
350名の専門家によるクエリを用いた5k-fileベンチマークでBlueprintの評価を行った。
論文 参考訳（メタデータ） (2026-02-12T19:48:44Z) - ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。
当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。
結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
論文 参考訳（メタデータ） (2025-09-01T11:32:24Z) - DREAM: Document Reconstruction via End-to-end Autoregressive Model [53.51754520966657]
本稿では、文書再構成に特化した革新的な自己回帰モデルについて述べる。
文書再構成タスクの標準化定義を確立し,文書類似度基準(DSM)とDocRec1Kデータセットを導入し,タスクの性能を評価する。
論文 参考訳（メタデータ） (2025-07-08T09:24:07Z) - 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) - Document Layout Annotation: Database and Benchmark in the Domain of
Public Affairs [62.38140271294419]
レイアウトラベルの異なるデジタル文書を半自動アノテートする手法を提案する。
スペイン政府から24データソースの集合を用いて,行政領域におけるDLAの新しいデータベースを収集する。
実験の結果,提案したテキストラベリング手順を99%の精度で検証した。
論文 参考訳（メタデータ） (2023-06-12T08:21:50Z) - TransDocAnalyser: A Framework for Offline Semi-structured Handwritten
Document Analysis in the Legal Domain [3.5018563401895455]
最初の半構造化文書解析データセットを法域内に構築する。
このデータセットは、多種多様な手書きテキストと印刷テキストを組み合わせる。
本稿では,手書き半構造化文書のオフライン処理のためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-03T15:56:30Z)
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。