小語種OCR程序開發

語言維基（Langwiki）致力於計算機自然語言處理技術的開發。出於對於語言處理技術的執着追求，我們不僅努力掌握主流NLP算法，還針對NLP領域難以處理的小語種問題，進行人工智能算法的優化和研發。此項目提出一個新的OCR算法，使OCR系統的訓練時間和所需的數據量大為減少，使計算機OCR技術可以有效的應用於小語種手寫體以及古籍的識別和數碼化。小語種OCR應用的領域包括滿文識別、蒙古文識別、基於阿拉伯字母的老維文識別等。

研發計劃

數據獲取
- 大語種
  - 英文（印刷體、手寫體）
  - 中文（印刷體、手寫體）
- 小語種
  - 阿拉伯文
  - 維吾爾文、蒙古文、滿文
    - 印刷體
    - 古籍手寫體
  - 中文篆書（商周大篆、漢小篆）
    - 手工標註數據
算法研發
- 高學習率手寫體連續識別算法
  - 2021年10月，我們語言維基開發了新的基礎算法。我們計劃下一步，用自研的算法用來識別英文和小語種手寫體，驗證算法的有效性和可靠性。
- 滿文特殊符號處理
  - 長短字牙
  - 點和圈
  - 字型中間碼
  - 備註：我們在處理滿文和報告準確率時，嚴格註明數據是印刷體還是手寫體。我們不屑於像漢王公司那樣，拿着機器生成的印刷體數據，用模稜兩可的詞語誤導消費者和政府採購部門，謊稱是「楷體」手寫的準確率。我們反對學術不端和經濟腐敗。我們相信我們有實力和漢王公平的較量，並且輕鬆取其首級。
模型訓練
- IAM離線手寫數據實驗 (EN)
- CASIA 離線手寫數據實驗 (ZH)
- 商周大篆識別（ZH）
應用整合
- 商周大篆拍照識別 app

小語種OCR程序開發

研發計劃

相關研究