論文の概要: HPMD: A Historical Persian Manuscript Dataset for Word Spotting with Line-Level Annotation

• arxiv url: http://arxiv.org/abs/2609.34490v1
• Date: Mon, 28 Sep 2026 07:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 13:02:54.382887
• Title: HPMD: A Historical Persian Manuscript Dataset for Word Spotting with Line-Level Annotation
• Title（参考訳）: HPMD:ラインレベルアノテーションによる単語スポッティングのためのペルシアの歴史的マニュアルデータセット
• Abstract要約: 223ページ,3,678行,37,631語,130,630文字の新しいデータセットを導入し,ペルシャの詩文と散文の多様な歴史書から収集した。 微調整線検出器はテキスト線を見つけ、CTCで訓練された微調整CRNN認識器は各行に対してフレーム・バイ・キャラクタの後方行列を生成する。 テストセットでは、微調整線検出器が0.892のF1に達し、後部探索により単語スポッティングF1が0.487から0.558に上昇する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large collections of historical Persian manuscripts have been digitized, but searching them is still slow and mostly manual. Historians usually want to find where a specific name, date, event, or topic appears, which is a word spotting problem. Progress on this task is limited by two things. First, there is almost no public dataset of historical Persian handwriting; the only notable resource, OpenITI MAKHZAN, contains a relatively small Persian portion. Second, word spotting models usually need word-level bounding boxes, which are very expensive to annotate. In this paper we introduce a new dataset of 223 pages, 3,678 lines, 37,631 words, and 130,630 characters, collected from diverse historical Persian books of poetry and prose and annotated at the region, line, and text level. We also propose a baseline that is trained only with line-level annotations but returns word-level locations. A fine-tuned line detector finds text lines, and a fine-tuned CRNN recognizer trained with CTC produces a frame-by-character posterior matrix for each line. Instead of decoding the most probable character at each frame, the query is scored directly against this matrix, so visually similar characters in Persian such as be and pe no longer cause hard failures. The frame alignment also gives the horizontal position of the word inside the line. On the test set, the fine-tuned line detector reaches an F1 of 0.892, and posterior-based search raises the word spotting F1 from 0.487 to 0.558 compared with exact matching on the decoded text, with the decision threshold selected on a held-out validation set. A PHOC attribute-embedding baseline that additionally receives oracle word boundaries at test time reaches an F1 of 0.449, below the proposed method. We also report a distributional analysis of the dataset, a taxonomy of retrieval errors, and a per-conditionbreakdown of performance.
• Abstract（参考訳）: 古代ペルシアの写本の大規模なコレクションはデジタル化されているが、捜索は遅く、手作業がほとんどである。 歴史家は通常、特定の名前、日付、イベント、トピックが現れる場所を知りたがるが、これは単語スポッティングの問題である。 この仕事の進捗は2つに制限されている。 唯一注目すべき資料であるOpenITI MAKHZANは比較的小さなペルシア文字の部分を含んでいる。 第二に、単語スポッティングモデルは通常単語レベルのバウンディングボックスを必要とするが、アノテートは非常に高価である。 本稿では,ペルシャの詩文・散文の多様な歴史書から収集された223ページ,3,678行,37,631語,130,630文字の新たなデータセットを紹介する。 また,行レベルのアノテーションのみをトレーニングし,単語レベルの位置を返すベースラインを提案する。 微調整線検出器はテキスト線を見つけ、CTCで訓練された微調整CRNN認識器は各行に対してフレーム・バイ・キャラクタの後方行列を生成する。 各フレームで最も確率の高い文字を復号する代わりに、クエリは直接この行列に対してスコアされるので、be や pe のようなペルシア語の視覚的に類似した文字は、もはや難しい失敗を起こさない。 フレームアライメントは、行内の単語の水平位置も与えます。 テストセットでは、微調整線検出器が0.892のF1に到達し、単語スポッティングF1を復号されたテキストの正確なマッチングと比較して、後方ベース検索により0.487から0.558に上昇する。 テスト時にオラクル語境界を付加的に受信するPHOC属性埋め込みベースラインは、提案手法より低い0.449F1に達する。 また,データセットの分布解析,検索誤りの分類,性能の条件破滅について報告する。

関連論文リスト

• Scaling Unsupervised Word Alignment to Documents via Structural Constraints [38.797311337915175]
  CTFAlignは、文書レベルの単語アライメントのための軽量でトレーニング不要なアプローチである。 MDPAlignも導入しています。これは、主対角線上の位置によるアライメントを制約する、よりシンプルな代替手段です。 CTFAlignは平均3モデルで、単語アライメントエラー率を0.412から0.326に下げる。
  論文  参考訳（メタデータ） (2026-08-21T12:13:21Z)
• End-to-End Text Line Detection and Ordering [0.0]
  Orliは、両方のサブタスクを単一のイメージ・ツー・シーケンス問題としてキャストするエンドツーエンドモデルである。 ページイメージから、Orliは読み順でテキスト行のベースラインを直接自動回帰生成する。 10の書記システムにまたがる196,691ページの異種コーパスで訓練された。
  論文  参考訳（メタデータ） (2026-06-02T19:29:32Z)
• KhmerST: A Low-Resource Khmer Scene Text Detection and Recognition Benchmark [1.5409800688911346]
  我々は,1,544人の専門家による注釈付き画像を含む,最初のKhmerシーンテキストデータセットを紹介した。 この多様なデータセットには、平らなテキスト、起立したテキスト、照度の低いテキスト、遠くのポリゴン、部分的に不明瞭なテキストが含まれる。
  論文  参考訳（メタデータ） (2024-10-23T21:04:24Z)
• UFineBench: Towards Text-based Person Retrieval with Ultra-fine Granularity [50.91030850662369]
  既存のテキストベースの人物検索データセットは、しばしば比較的粗い粒度のテキストアノテーションを持つ。 これにより、実際のシナリオにおけるクエリテキストのきめ細かいセマンティクスを理解するモデルが妨げられます。 我々は,超微細な人物検索のためにtextbfUFineBench という新しいベンチマークを作成した。
  論文  参考訳（メタデータ） (2023-12-06T11:50:14Z)
• PageNet: Towards End-to-End Weakly Supervised Page-Level Handwritten Chinese Text Recognition [44.70246958636773]
  本稿では,ページレベルのHCTRに対して,エンド・ツー・エンドで制御されたページレベルHCTRに対してPageNetを提案する。 PageNetは文字を検出して認識し、それらの間の読み込み順序を予測する。 文字レベルと行レベルの両方で検出と認識結果を出力することができる。
  論文  参考訳（メタデータ） (2022-07-29T17:47:45Z)
• 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)

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。