arXiv · 17.06.2026 ·Машинное обучение

Датасет Urdu Katib для распознавания рукописного текста на урду

Исследователи представили Urdu Katib — новый специализированный датасет для обучения систем распознавания рукописного текста (HTR) на языке урду. Работа направлена на преодоление дефицита данных для языков с курсивным начертанием, которые традиционно считаются сложными для автоматической обработки из-за особенностей соединения символов и высокой вариативности почерка.

В состав датасета вошли оцифрованные исторические документы, что позволяет моделям лучше адаптироваться к реальным условиям работы с архивными материалами. Помимо самого набора данных, авторы предложили базовую архитектуру на основе сверточно-рекуррентных нейронных сетей (CRNN). Эта модель служит отправной точкой для оценки точности распознавания и дальнейшего развития алгоритмов обработки сложных рукописных скриптов.

Создание подобных специализированных наборов данных является важным шагом для развития технологий компьютерного зрения и обработки естественного языка в регионах, где использование латиницы ограничено. Результаты тестирования базовой модели на Urdu Katib демонстрируют потенциал применения глубокого обучения для оцифровки культурного наследия и автоматизации работы с рукописными архивами на урду.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение Новый датасет для обнаружения кибератак с метками ATT&CK Исследователи представили новый датасет для обнаружения многоэтапных кибератак, который включает логи систем, сетей и браузеров. Существующие публичные датасеты, такие как CICIDS и UNSW-NB15, охватывают только сетевую активность, в то время как другие, например LMDG, фокусируются на хост-активности. arXiv · Обучение и дообучение Новый датасет для улучшения аудио-языковых моделей Исследователи представили AudioDER — новый датасет, предназначенный для улучшения способностей аудио-языковых моделей (LALMs) к сложному аудио-рассуждению. LALMs уже демонстрируют высокие результаты в различных задачах понимания аудио, но их возможности в области сложного анализа и интерпретации звуковых данных остаются ограниченными. Hacker News · Обучение и дообучение Новые датасеты для ML-исследований от ArXiv и Semantic Scholar Команда FineSet.io выпустила набор датасетов, собранных из ArXiv и Semantic Scholar. Эти датасеты представлены в формате JSONL и содержат оценки качества, что делает их полезными для исследователей и разработчиков в области машинного обучения. The GitHub Blog · Модели и релизы GitHub выпустил открытый датасет для обучения многоязычных моделей GitHub представил новый открытый датасет, содержащий мультиязычный контент из репозиториев. Данные собраны из README, issues и pull requests и доступны под лицензией CC0-1.0. arXiv · Память и RAG FusionRS: новый датасет для визуально-языковых моделей с инфракрасными данными Исследователи представили FusionRS — крупномасштабный датасет, объединяющий RGB- и инфракрасные изображения для задач дистанционного зондирования Земли. В отличие от существующих решений, которые фокусируются только на RGB-изображениях, FusionRS включает инфракрасные данные, что позволяет использовать дополнительные характеристики, такие как тепловые структуры, границы объектов и освещение-инвариантные признаки. Together.ai · Безопасность и алайнмент CoderForge: новый датасет для обучения агентов-программистов Компания Together.ai представила CoderForge — новый открытый датасет, предназначенный для обучения ИИ-агентов, способных работать с кодом. В его основе лежат данные из реальных проектов, включая задачи по рефакторингу, отладке и оптимизации кода. Hacker News · Модели и релизы Релиз компактной модели для транскрибации китайского языка Разработчики представили специализированную модель для распознавания речи на китайском языке с параметрами 150 млн. Решение ориентировано на высокую скорость работы и оптимизировано для задач транскрибации в реальном времени. Ключевой особенностью системы является встроенная функция автоматического определения метаданных, что позволяет извлекать контекстную информацию непосредственно в процессе обработки аудиопотока. arXiv · Исследования и наука Как цифровизировать арабско-английский словарь Al-Mawrid Учёные представили методологию для систематической цифровизации и кодирования арабско-английского словаря Al-Mawrid. Исследование преобразует печатный ресурс в стандартизированный вычислительный словарь, заполняя пробел в арабской лексической инфраструктуре. arXiv · Оценка и бенчмарки Новый бенчмарк для выявления ИИ-сгенерированных изображений с текстом Исследователи представили специализированный набор данных для оценки способности систем обнаруживать изображения, созданные нейросетями и содержащие значительные объемы текста. Современные мультимодальные модели научились генерировать реалистичные документы, графики и интерфейсы, что создает риски подделки конфиденциальной, финансовой или юридически значимой информации. Существующие инструменты детекции часто не справляются с анализом сложных визуальных структур, где текст является ключевым элементом. arXiv · Машинное обучение Новый подход к распознаванию таблиц в мультизадачном режиме Исследователи предложили новый метод для распознавания таблиц, который объединяет три задачи: предсказание структуры таблицы, локализацию ячеек и распознавание содержимого ячеек. В отличие от традиционных подходов, которые используют авторегрессивные декодеры, новый метод применяет порядково-независимые представления на уровне ячеек. Это позволяет избежать проблем, связанных с авторегрессивным генерацией, где порядок обработки ячеек может влиять на качество распознавания.

← Все материалы