147万页历史报纸数据集发布，结构化管线大幅提升OCR准确率
leppert · x · 2026-09-02
Institutional Data Initiative 与波士顿公共图书馆合作，发布包含 147 万页历史报纸 的数据集，以及配套的版面处理管线。
核心问题：报纸直接 OCR 成一堵文本墙后，栏位塌缩、标题与广告混在一起、阅读顺序消失。
方案与成果：
- 新管线把报纸页面拆解为标题、栏、广告等组成部分
- 提升了 OCR 准确率和「计算可寻址性」（computational addressability）
- 让历史文献档案变得前所未有的可检索
「研究」频道最新
- NPO 论文：提示词优化或不需要搜索树，教师模型质量更关键 — rohanpaul_ai · 2026-09-02
- Schmidhuber 再谈 NeurIPS 2023 最佳论文：Economies Of Minds 的未来 — SchmidhuberAI · 2026-09-02
- MENO 混合物理-AI 仿真：等离子体计算从 5 天缩至 4 小时 — bravo_abad · 2026-09-02
- Jasper AI 开源从零训练文生图模型全套教程:含 1 亿图数据集 — dh7net · 2026-09-02
- 2021 年专用模型反超 YOLO26:CABiNet 在 UAVid 上更快更准 — Naive-Explanation940 · 2026-09-02
- 研究者提出「生成式密码学」议程:让 AI 写密码学、解开放难题 — DavideCrapis · 2026-09-02