Cet article traite du défi des ensembles de caractères fluides dans les corpus de textes médiévaux en introduisant des méthodes pour inverser la simplification de l'ensemble de caractères et les abréviations. Les auteurs entraînent des RNN un-à-un au niveau des caractères avec auto-supervision pour annuler ces mappages, réduisant de moitié le Character Error Rate (CER) en utilisant seulement 20 lignes de texte.
- Les RNN un-à-un apportent des améliorations significatives pour la post-correction HTR tout en ignorant les insertions et suppressions.
- Les mêmes réseaux sont adaptés en RNN en bande en utilisant la vérité terrain d'alignement au niveau des caractères pour étendre les abréviations dans les transcriptions de chartes médiévales.
- Une heuristique élaborée définit une métrique pour la similarité sémantique entre les caractères de n'importe quels ensembles, appelée lemmatisation des caractères.
- Une bibliothèque Python est présentée pour effectuer efficacement toutes ces méthodes.
Ce travail fournit des outils et des métriques pour gérer les politiques de numérisation hétérogènes et les pratiques de transcription variables dans les documents historiques.