要約
我々は、画像のセグメンテーションを必要とせずに、手書きまたは印刷されたテキストの全文を認識できる、ニューラルネットワークに基づく手書き文字認識（HTR）モデルのアーキテクチャを提案する。このモデルは、画像からシーケンスへのアーキテクチャ（Image-to-Sequence）に基づいており、テキストの方向性、レイアウト、サイズに関する制約を設けることなく、画像内に含まれるテキストを正しく抽出・順序付けることができる。さらに、フォーマット、レイアウト、コンテンツに関連する補助的なマークアップを生成するようにも学習可能である。文字単位の語彙を用いることで、あらゆる分野の言語や専門用語に対応可能である。本モデルは、IAMデータセットにおける段落レベル認識において、新たな最良性能（state-of-the-art）を達成した。実世界の自由形式の手書き解答用紙（曲線や傾斜線、図表、数学記号、化学記号などを含む）のスキャン画像に対して評価した結果、すべての商用HTRクラウドAPIを上回る性能を発揮した。現在、商業用ウェブアプリケーションの一部として本モデルは本番環境で運用されている。