Japanese Kana and Brazilian Portuguese Manuscript Database

LHTR.br: em Busca de um Conjunto Anotado de Textos Manuscritos em Português

“…", "-", " ª "). [Pereira et al 2021] fornecem um conjunto de 570 amostras de folha de texto (285 em português e 285 em japonês) escritas por 57 autores, utilizando dez textos base (cinco para cada idioma) e cada um reproduzido uma vez pelos autores.…”

“…[Souibgui et al 2021] propõem um modelo com aprendizado a partir de poucas imagens, pré-treinado com manuscritos sintéticos e avaliado usando dois datasets 2 3 . Isto posto, o presente trabalho contribui com recursos relevantes para enriquecimento do cenário de HTR para língua portuguesa e colabora para o estado da arte no refinamento e treinamento de modelos envolvidos neste cenário, considerando informac ¸ões compreendidas por meio de linhas de texto (diferenciando-se de [Freitas et al 2008] e [Pereira et al 2021]) e o uso de acentuac ¸ão e símbolos especiais (diferenciando-se de conjuntos em outros idiomas).…”

“…Tais considerac ¸ões contribuem, de modo geral, para aplicac ¸ão do dataset em tarefas que envolvam análises, aplicac ¸ões, refinamento e treinamento sobre modelos que utilizam informac ¸ões textuais provenientes de imagens. Em especial, para o arcabouc ¸o de dados oriundos da língua portuguesa [Freitas et al 2008, Pereira et al 2021], que apesar de consolidado na literatura, carece de recursos anotados disponíveis.…”

“…Além disso, a especificac ¸ão de procedimentos simples de gerac ¸ão de dados com tais características possibilita a replicac ¸ão para conjuntos de dados em outros idiomas, como contribuic ¸ão para trabalhos voltados para multi-línguas ou idiomas com poucos recursos disponíveis [Ignat et al 2022]. Por fim, as amostras de símbolos e linhas de texto disponibilizadas permitem seu aproveitamento para o aumento do volume de dados usado em tarefas como reconhecimento de autor [Freitas et al 2008, Pereira et al 2021, AL-Qawasmeh et al 2023] e de entidades nomeadas [Adak et al 2016].…”

“…Inclusão de Amostras de Outras Fontes de Dados em Português, como [Pereira et al 2021] ou repositórios 8 disponibilizados com documentos manuscritos digitalizados, ainda não exploradas dada a complexidade de anotac ¸ão e tratamento de novos dados com tais características para incorporac ¸ão ao dataset. A replicac ¸ão da metodologia em outras fontes contribui não só para o aumento do volume de dados como também para a diversificac ¸ão do conteúdo (ao englobar outros estilos de escrita) e para um aumento no vocabulário, com ocorrências de símbolos desconsiderados atualmente.…”