arXiv cs.CL· Ismail El Jamiy, Khadija Msalek, Guillaume Loizelet, Farah Benamara, Nabil Hathout·· 11 小时前AI 评分29
ATHAAR：中世纪科学阿拉伯语手写文本识别数据集
ATHAAR: A Medieval Scientific Arabic Manuscript Dataset for Handwritten Text Recognition
AI 导读
研究者提出首个面向科学阿拉伯语手稿转写的标注指南，并据此构建了人工标注数据集 ATHAAR，覆盖同一文本的不同抄本、书法风格及文字与数字内容。基于 SOTA 视觉语言模型的实验显示，现有系统在跨书写体系、章节和论著迁移时，面对古代科学文本的特殊性仍存在明显局限。
正文 · AI 翻译
摘要：尽管手写文本识别近期取得了进展，中世纪阿拉伯科学手稿对当前的视觉语言模型（VLM）而言仍是一个未解决的挑战，原因在于连写连字、变动的变音符号标注，更重要的是缺乏训练数据。本文旨在填补这一空白，提出了首套专用于科学阿拉伯手稿转录的标注指南，其灵感来自文本校勘学——一种成熟的历史文本编辑方法。随后，我们提出了 ATHAAR，这是一个按照该指南人工标注的新数据集。与该领域以往的资源不同，ATHAAR 在同一文本的不同见证本、书法风格和内容上均有变化，以处理文本以及数字。最后，我们依托最先进的 VLM 设计了一组实验，研究模型在书写体系、章节和论著之间的迁移。我们的发现凸显了当前系统在面对古代科学文本特殊性时的局限。
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.08091 [cs.CV] |
| （或 arXiv:2611.08091v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08091 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ismail El Jamiy [查看邮箱]
[v1]
2026年11月5日星期四 14:36:16 UTC（10,098 KB）
来源：arXiv cs.CL · arxiv.org