論文の概要: From Global Alignment to Local Grounding: Zero-Shot Chinese Character Recognition with Radical Verification
- arxiv url: http://arxiv.org/abs/2610.09449v1
- Date: Wed, 07 Oct 2026 05:03:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.72052
- Title: From Global Alignment to Local Grounding: Zero-Shot Chinese Character Recognition with Radical Verification
- Title（参考訳）: グローバルアライメントからローカルグラウンドニング:ラディカル検証によるゼロショット漢字認識
- Abstract要約: ゼロショット漢字認識のための2段階フレームワークを提案する。
第1段階では、STG-CLIPは、明示的なツリー配置とラジカルレベルの幾何学的先行でIDSを増強する。
第2段階では、RVM(Radical Verification Module)は、検索された各候補のラジカルインスタンスをクエリとして使用する。
- 参考スコア（独自算出の注目度）: 22.922993394511675
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Zero-shot Chinese character recognition (ZS-CCR) aims to recognize characters whose categories are never observed during training, and typically relies on the compositional structure shared between seen and unseen characters. Recent CLIP-style methods represent this structure with the Ideographic Description Sequence (IDS) and align it with glyph images in a shared embedding space. However, they rely on a single global image--IDS similarity that discards the spatial layout of radicals and, being learned only implicitly from seen classes, generalizes poorly to unseen ones; moreover, global matching often retrieves the correct character within the top candidates yet fails to rank it first when characters differ only in subtle local radicals. To address these issues, we propose a global-to-local two-stage framework. In the first stage, STG-CLIP augments the IDS with explicit tree-position and radical-level geometric priors, yielding a spatial-aware prototype that provides a consistent spatial description across seen and unseen categories for high-recall global retrieval. In the second stage, the Radical Verification Module (RVM) uses the radical instances of each retrieved candidate as queries to verify whether the corresponding radicals can be matched to spatially compatible regions in the input glyph. A margin-based gating rule activates the RVM only when the leading global candidates receive similar similarity scores. Experiments on the ICDAR2013 benchmark demonstrate that our method achieves state-of-the-art performance under the character-level zero-shot setting, obtaining 83.06% top-1 accuracy with 2,755 seen classes. Ablation studies further show that the explicit geometric priors and radical-level verification provide complementary improvements.
- Abstract（参考訳）: ゼロショット漢字認識(ZS-CCR)は、訓練中にカテゴリが観測されない文字を認識することを目的としており、典型的には、見かけと見えない文字間で共有される構成構造に依存している。
最近のCLIPスタイルの手法はこの構造をIdeographic Description Sequence (IDS)で表現し、共有埋め込み空間内のグリフ画像と整列する。
しかし、これらは1つのグローバルなイメージ--IDS類似性に依存しており、ラジアルの空間的レイアウトを破棄し、目に見えないクラスから暗黙的にのみ学習され、不明瞭なクラスに一般化する。
これらの課題に対処するため,我々はグローバル・ツー・ローカルな2段階フレームワークを提案する。
第1段階では、STG-CLIPはISDを明示的なツリーポジションとラジカルレベルの幾何学的先行性で拡張し、高リコールグローバル検索のための見知らぬカテゴリ間で一貫した空間記述を提供する空間認識型プロトタイプを提供する。
第2段階では、RVM(Radical Verification Module)は、検索された各候補のラジカルインスタンスをクエリとして使用し、対応するラジカルが入力グリフ内の空間互換領域と一致するかどうかを検証する。
マージンベースのゲーティングルールは、主要なグローバル候補が同様の類似点を得た場合にのみRVMを活性化する。
ICDAR2013ベンチマーク実験の結果,文字レベルゼロショット設定では,2,755のクラスで83.06%のアップワン精度が得られることがわかった。
アブレーション研究により、明示的な幾何学的先行とラジカルレベルの検証が相補的な改善をもたらすことが示されている。
関連論文リスト
- G2IA: Geometry-Guided Instance-Aware Retrieval and Refinement for Cross-Modal Place Recognition [24.541278686912616]
クロスモーダル位置認識(CMPR)により、カメラのみのロボットは、自律的なナビゲーションシナリオにおいて、事前に構築されたLiDARマップに対してローカライズすることができる。
このイメージ・ツー・ポイント・クラウド・セッティングは、2つのあいまいさ、すなわち視点RGBの外観とスパースメトリ幾何の間のモダリティギャップによって挑戦される。
画像から点までの位置認識のための幾何学誘導型インスタンス認識フレームワークであるG2IAを提案する。
論文 参考訳（メタデータ） (2026-06-13T12:53:52Z) - Zero-Shot Chinese Character Recognition via Global-Local Dual-Branch Alignment and Hierarchical Inference [15.854290215907179]
漢字のカテゴリーは非常に大きく、未確認の文字はオープンワールドのシナリオでしばしば現れる。
既存のIDSベースの検索手法は通常、文字画像とそのイデオロギー記述シーケンスを1つのグローバルベクトルに符号化してマッチングする。
文字画像とIDSシーケンスのグローバルおよびローカル表現を共同で学習するグローバルローカル階層知覚ネットワーク(GL-HPN)を提案する。
論文 参考訳（メタデータ） (2026-05-09T09:05:59Z) - From Global to Local: Rethinking CLIP Feature Aggregation for Person Re-Identification [20.74226476678832]
中間パッチトークンとCLIPのテキスト埋め込み空間でパラメータ化されたアンカーベクトルを整列することで、同一性表現を再構築するSAGA-ReIDを提案する。
制御された実験は、2つの定性的に異なる条件下で凝集機構を分離する。
ベンチマーク評価では、CLIP-ReIDよりも標準設定と無視設定で一貫したゲインを確認している。
論文 参考訳（メタデータ） (2026-04-24T03:37:21Z) - Entropy-Aware Structural Alignment for Zero-Shot Handwritten Chinese Character Recognition [7.632962062462334]
ゼロショット手書き漢字認識は、急進的な意味合成を活用することで、目に見えない文字を認識することを目的としている。
本稿では,情報理論モデリングにより視覚と意味のギャップを埋めるエントロピー対応構造アライメントネットワークを提案する。
ICDAR 2013データセットで55.04%の精度を達成し,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2026-02-03T16:08:40Z) - GLip: A Global-Local Integrated Progressive Framework for Robust Visual Speech Recognition [72.29071664964633]
我々は、ロバストな視覚音声認識(VSR)のために設計されたグローバルローカル統合プログレッシブフレームワークGLipを提案する。
GLipは、グローバルな視覚的特徴とローカルな視覚的特徴の両方を、容易にアクセス可能な音声視覚データを用いて対応する音声音声単位に整合させることを学ぶ。
第2段階では、ローカル機能を関連するグローバルコンテキストと動的に統合するコンテキスト拡張モジュール(CEM)を導入します。
論文 参考訳（メタデータ） (2025-09-19T14:36:01Z) - Part-aware Unified Representation of Language and Skeleton for Zero-shot Action Recognition [57.97930719585095]
本稿では,PURLS(Part-aware Unified Representation between Language and Skeleton)を紹介する。
本手法はスケルトン/言語のバックボーンと3つの大規模データセットを用いて評価する。
その結果、PURLSの普遍性と優れた性能を示し、以前のスケルトンベースのソリューションと他のドメインからの標準ベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-19T08:22:32Z) - Watching You: Global-guided Reciprocal Learning for Video-based Person
Re-identification [82.6971648465279]
映像に基づくRe-IDのための新しいグローバルガイド相互学習フレームワークを提案する。
我々のアプローチは他の最先端のアプローチよりも優れたパフォーマンスを達成できます。
論文 参考訳（メタデータ） (2021-03-07T12:27:42Z) - Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。
IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。
IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
論文 参考訳（メタデータ） (2021-03-02T08:20:08Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z)
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。