論文の概要: Combining Synthetic and Real Data for Low-Resource Historical OCR: A Manchu Case Study

• arxiv url: http://arxiv.org/abs/2609.11495v1
• Date: Thu, 10 Sep 2026 13:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.36177
• Title: Combining Synthetic and Real Data for Low-Resource Historical OCR: A Manchu Case Study
• Title（参考訳）: 低資源歴史的OCRのための合成データと実データの組み合わせ:満洲市を事例として
• Abstract要約: 現在危惧されている満州は、清朝の主要な言語の一つ(1636年−1912年) 以前の研究では、合成満州語画像のみに訓練された視覚言語モデルは、実際の清の写本や印刷物で87.4%の正確性が得られることが示されている。 本研究は,低リソースOCRに対して,合成的および実履歴的トレーニングデータをどのように組み合わせるべきかを検討する。
• 参考スコア（独自算出の注目度）: 7.085654644528252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manchu, now critically endangered, was one of the principal languages of the Qing empire (1636-1912), and its extensive archival record is increasingly digitized but remains difficult to search and analyze at scale. Previous work showed that vision-language models (VLMs) trained only on synthetic Manchu word images can reach 87.4% word accuracy on real Qing manuscripts and prints, leaving a substantial synthetic-to-real gap. This study examines how synthetic and real historical training data should be combined for low-resource OCR. Using 60,000 synthetic and 20,306 real historical word images, we evaluate three pretrained VLMs and a compact convolutional recurrent neural network (CRNN) under four regimes: synthetic-only, real-only, joint synthetic-real, and sequential synthetic-to-real training, following a common checkpoint-selection and archival evaluation protocol. Introducing real training images raises the leading configurations to between 95.09% and 96.28% word accuracy, while no synthetic-only configuration exceeds 87.92%. Synthetic supplementation substantially improves all three VLMs, whereas its marginal effect for the CRNN is sensitive to the training objective. Joint and sequential training yield broadly similar archival accuracy under the tested practical pipelines. A compact CRNN also reaches the leading performance range once real images are available, showing that model scale alone does not determine recognition accuracy. Finally, complementary errors among strong recognizers allow voting to raise accuracy to 98.27% without additional training, while an eighteenth-century Manchu dictionary provides a principled rule for adjudicating disagreements.
• Abstract（参考訳）: 現在危惧されている満州は、清帝国の主要な言語の一つ(1636-1912年)であり、その広範な考古学的記録はデジタル化されつつも、大規模な検索・分析は困難である。 それまでの研究では、合成満州語画像のみを訓練した視覚言語モデル(VLM)が、実際の清の写本や印刷物で87.4%の精度に達し、実質的な合成と現実のギャップが残っていることが示されている。 本研究は,低リソースOCRに対して,合成的および実履歴的トレーニングデータをどのように組み合わせるべきかを検討する。 6万個の合成語と20,306個の実史的単語画像を用いて、3つの事前訓練されたVLMとコンパクト畳み込みリカレントニューラルネットワーク(CRNN)を、共通のチェックポイント選択およびアーカイブ評価プロトコルに従って、合成専用、実専用、共同合成-実、シーケンシャル合成-実トレーニングの4つの条件下で評価した。 実際のトレーニング画像の導入は、主要な構成を95.09%から96.28%に引き上げるが、合成のみの構成は87.92%を超えない。 合成補充は3つのVLMを大幅に改善する一方、CRNNに対する限界効果は訓練目標に敏感である。 ジョイントトレーニングとシーケンシャルトレーニングは、試験済みの実用的なパイプラインの下で広範囲に類似したアーカイブ精度が得られる。 コンパクトCRNNは、実画像が利用可能になると、先行する性能範囲に到達し、モデルスケールだけでは認識精度を判断できないことを示す。 最後に、強い認識者の間で相補的な誤りにより、追加の訓練なしに、投票は98.27%まで精度を上げることができ、18世紀の満州辞書は、不一致を判断するための原則的な規則を提供する。

関連論文リスト

• Compensating for Scarce Historical Images in Cross-Domain Cultural Heritage Retrieval Using Synthetic Aging [0.0]
  本研究では, 時代遅れの合成画像が, 双方向のインスタンスレベルの検索において, 欠落した過去のデータを置き換えるか, 補うことができるかを検討する。 混合実合成トレーニングは、比例スケールと固定300バッチ/エポックスケジュールを用いて、実ノルマントベースラインと比較される。 結果は、真および合成的な観察が相補的であることを示唆している。
  論文  参考訳（メタデータ） (2026-09-08T14:01:50Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
  大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。 コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-01-06T13:20:28Z)
• Stylized Synthetic Augmentation further improves Corruption Robustness [4.206961078715932]
  本稿では,合成画像データとニューラルスタイル転送を組み合わせたトレーニングデータ拡張パイプラインを提案する。 合成画像にスタイル転送を適用すると、一般的なFrechet Inception Distanceメトリックに対して品質が低下するが、これらの画像はモデルトレーニングに驚くほど有益であることを示す。
  論文  参考訳（メタデータ） (2025-12-17T18:28:04Z)
• BlendCLIP: Bridging Synthetic and Real Domains for Zero-Shot 3D Object Classification with Multimodal Pretraining [2.400704807305413]
  ゼロショットの3Dオブジェクト分類は、自動運転のような現実世界のアプリケーションには不可欠だ。 トレーニングに使用される合成データと、現実世界で遭遇するノイズの多いLiDARスキャンとの間の大きな領域ギャップによって、しばしば妨げられる。 BlendCLIPは、両ドメインの強みを戦略的に組み合わせることで、この合成と現実のギャップを橋渡しするマルチモーダル事前学習フレームワークである。
  論文  参考訳（メタデータ） (2025-10-21T03:08:27Z)
• Finetuning Vision-Language Models as OCR Systems for Low-Resource Languages: A Case Study of Manchu [0.0]
  危険に晒された言語である満州には、現実世界の歴史的文書を扱うことができる効果的なOCRシステムがない。 本研究では,3つのオープンソースビジョン言語モデルを微調整し,高性能なOCRシステムを構築する。 LLaMA-3.2-11Bは98.3%の単語精度と0.0024文字誤り率で優れた性能を達成した。
  論文  参考訳（メタデータ） (2025-07-09T11:38:20Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Learning from Synthetic Data for Visual Grounding [55.21937116752679]
  そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。 SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
  論文  参考訳（メタデータ） (2024-03-20T17:59:43Z)
• UniBoost: Unsupervised Unimodal Pre-training for Boosting Zero-shot Vision-Language Tasks [60.46473247205654]
  大規模で教師なしのユニモーダルモデルを事前学習として使用することにより、画像テキストペアモデルのゼロショット性能を向上させることができる。 実験の結果,単調な事前学習は最先端のCLIPモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-06-07T18:26:22Z)
• Robust deep learning for eye fundus images: Bridging real and synthetic data for enhancing generalization [0.8599177028761124]
  この研究は、合成眼底画像を生成するために10の異なるGANアーキテクチャをAMDなしで比較する。 StyleGAN2は最も低いFrechet Inception Distance(166.17)に達し、臨床医は実際の画像と合成画像とを正確に区別できなかった。 精度はテストセットで82.8%、STAREデータセットで81.3%であり、モデルの一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-03-25T18:42:20Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。