論文の概要: Open Vocabulary Word Recognition From Transcribed Bangla Texts
- arxiv url: http://arxiv.org/abs/2610.01134v2
- Date: Fri, 02 Oct 2026 06:11:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:29.986252
- Title: Open Vocabulary Word Recognition From Transcribed Bangla Texts
- Title（参考訳）: 書き起こされたバングラ語文からのオープン語彙認識
- Abstract要約: 本研究の目的は,手書きバングラ語画像における深層学習を用いた単語認識である。
9841個の手書きBanglaワードイメージのカスタマイズデータセットがコンパイルされ、多様な手書きスタイルが特徴である。
アンサンブルモデルが最も印象的であり、F1スコアは92.61%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An optical character recognition (OCR) can scan a paper and extract text using technology, making people's jobs easier. While various OCR systems are available in the software industry, finding a reliable equivalent solution for Bangla takes much work. When it comes to handwritten texts, the situation is much more unusual. Recognizing words from word images is the most critical stage in any OCR process. It is the second stage after segmenting words from text pictures. If this stage fails, the overall performance of the OCR will be poor, regardless of how well the other phases perform. This study aims to recognize words using deep learning in a handwritten Bangla word image. Three object detection models, SSD with MobileNetV2, Faster R-CNN with InceptionResNetV2, and an ensemble model of these two, have been used to train and test handwritten word images. A modified Non-Maximum Suppression has been introduced to enhance the effectiveness of the models' results. A customized dataset of 9841 handwritten Bangla word images has been compiled, featuring diverse handwriting styles from various individuals. All three models' performances have been checked against the test dataset, and the ensemble model has been the most impressive, with an F1-score of 92.61%. Also, at the word level, the ensemble model correctly recognizes 96.12% of the words to some extent. The system can be further improved by introducing a post-processing phase to correct errors generated by the system.
- Abstract（参考訳）: 光文字認識(OCR)は、紙をスキャンし、技術を用いてテキストを抽出し、人々の仕事を容易にする。
ソフトウェア業界では様々なOCRシステムが利用可能だが、Banglaの信頼できる同等のソリューションを見つけるには多くの作業が必要である。
手書きのテキストに関しては、状況はずっと異なっています。
単語画像から単語を認識することは、あらゆるOCRプロセスにおいて最も重要な段階である。
テキスト画像から単語を区分けした後の第2段階である。
このステージが失敗した場合、OCRの全体的なパフォーマンスは、他のフェーズがどの程度うまく機能するかに関わらず、低くなる。
本研究の目的は,手書きバングラ語画像における深層学習を用いた単語認識である。
MobileNetV2によるSSD、InceptionResNetV2による高速R-CNN、これら2つのアンサンブルモデルという3つのオブジェクト検出モデルは、手書きのワードイメージのトレーニングとテストに使用されている。
モデル結果の有効性を高めるため, 改良された非最大抑圧法が導入された。
9841個の手書きBanglaワードイメージのカスタマイズデータセットがコンパイルされ、さまざまな個人からさまざまな手書きスタイルが提供されている。
3つのモデルのパフォーマンスはテストデータセットに対してチェックされており、アンサンブルモデルが最も印象的であり、F1スコアは92.61%である。
また、単語レベルでは、アンサンブルモデルは単語の96.12%をある程度正確に認識する。
システムによって生成されたエラーを修正するための後処理フェーズを導入することで、システムをさらに改善することができる。
関連論文リスト
- Color Independent Word Segmentation From Transcribed Bangla Passages [0.0]
本研究の目的は,手書きのBanglaテキスト画像に単語を分割することである。
この研究は、スマートフォンで撮影したどんな画像にも適用できる。
7374語では、合計7278のバウンディングボックスが生成され、リコールは90.60%、精度は91.80%、F1スコアは91.20%である。
論文 参考訳（メタデータ） (2026-10-01T07:04:59Z) - Is it an i or an l: Test-time Adaptation of Text Line Recognition Models [9.149602257966917]
テスト期間中にテキスト行認識モデルを適用する問題について紹介する。
本稿では,光学モデルの更新に言語モデルからのフィードバックを利用する反復的自己学習手法を提案する。
実験の結果,提案手法は文字誤り率を最大8%向上させることができた。
論文 参考訳（メタデータ） (2023-08-29T05:44:00Z) - Improving Multimodal Datasets with Image Captioning [65.74736570293622]
生成したキャプションが非記述テキストによるWebスクラッピングデータポイントの有用性を高める方法について検討する。
DataComp の大規模字幕 (1.28B 画像テキストペア) を用いた実験により,合成テキストの限界について考察した。
論文 参考訳（メタデータ） (2023-07-19T17:47:12Z) - Handwritten Word Recognition using Deep Learning Approach: A Novel Way
of Generating Handwritten Words [14.47529728678643]
本稿では,手書き文字を用いた多様な手書き語画像を生成する手法を提案する。
アプローチ全体は、大きくて多様な手書きの単語データセットを生成する過程を示している。
実験では,手書きの単語データセットが欠けているBangla言語をターゲットにした。
論文 参考訳（メタデータ） (2023-03-13T22:58:34Z) - Language Quantized AutoEncoders: Towards Unsupervised Text-Image
Alignment [81.73717488887938]
Language-Quantized AutoEncoder (LQAE)は、事前訓練された言語モデルを利用して、教師なしの方法でテキストイメージデータを整列することを学ぶ。
LQAEは類似した画像を類似したテキストトークンのクラスタで表現することを学び、一致したテキストイメージペアを使わずにこれら2つのモダリティを整列させる。
これにより、大きな言語モデル(例えばGPT-3)による少数ショット画像の分類や、BERTテキストの特徴に基づく画像の線形分類が可能になる。
論文 参考訳（メタデータ） (2023-02-02T06:38:44Z) - I2DFormer: Learning Image to Document Attention for Zero-Shot Image
Classification [123.90912800376039]
オンラインテキスト文書(例えばウィキペディア)には、オブジェクトクラスに関する豊富な視覚的記述が含まれている。
画像や文書のエンコードを共同で学習するトランスフォーマーベースのZSLフレームワークであるI2DFormerを提案する。
提案手法は,画像領域に文書語を接地可能な高解釈可能な結果をもたらす。
論文 参考訳（メタデータ） (2022-09-21T12:18:31Z) - Language Matters: A Weakly Supervised Pre-training Approach for Scene
Text Detection and Spotting [69.77701325270047]
本稿では,シーンテキストを効果的に表現できる弱教師付き事前学習手法を提案する。
本ネットワークは,画像エンコーダと文字認識型テキストエンコーダから構成され,視覚的特徴とテキスト的特徴を抽出する。
実験により、事前訓練されたモデルは、重みを他のテキスト検出やスポッティングネットワークに転送しながら、Fスコアを+2.5%、+4.8%改善することが示された。
論文 参考訳（メタデータ） (2022-03-08T08:10:45Z) - Lexically Aware Semi-Supervised Learning for OCR Post-Correction [90.54336622024299]
世界中の多くの言語における既存の言語データの多くは、非デジタル化された書籍や文書に閉じ込められている。
従来の研究は、あまり良くない言語を認識するためのニューラル・ポスト・コレクション法の有用性を実証してきた。
そこで本研究では,生画像を利用した半教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-04T04:39:02Z) - 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。