초록
수학적 수식의 손글씨 인식 분야에서 상당한 진전이 이루어졌지만, 기존의 인코더-디코더 방법들은 일반적으로 LaTeX에서 전역 정보를 모델링하는 것이 어려웠습니다. 따라서 본 논문에서는 전역 표현 정보를 추출하고 손글씨 수학적 수식 인식을 향상시키기 위한 새로운 접근 방법인 암시적 문자 보조 학습(Implicit Character-Aided Learning, ICAL)을 소개합니다. 구체적으로, 우리는 암시적 문자 생성 모듈(Implicit Character Construction Module, ICCM)을 제안하여 암시적 문자 시퀀스를 예측하고, 융합 모듈(Fusion Module)을 사용하여 ICCM과 디코더의 출력을 결합함으로써 수정된 예측 결과를 생성합니다. 암시적 문자 정보를 모델링하고 활용함으로써 ICAL은 손글씨 수학적 수식에 대해 더욱 정확하고 문맥에 맞는 해석을 달성하였습니다. 실험 결과는 ICAL이 최신 기술(state-of-the-art, SOTA) 모델들을 크게 능가하며, CROHME 2014/2016/2019 데이터셋에서 각각 2.25%/1.81%/1.39%의 표현 인식률(ExpRate) 개선을 보였으며, 특히 어려운 HME100k 테스트 세트에서 뛰어난 69.06%의 성능을 달성하였습니다. 우리는 코드를 GitHub에서 공개합니다: https://github.com/qingzhenduyu/ICAL