文字与计算学术研讨会

今天跟着老师去了趟第四届全国文字与计算学术研讨会，NSCC 2014。今天是第一天，明天还有一天，和GDG Beijing的活动重了，可惜啊。不过还是决定先去GDG，中午再去这个会议了。今天的会议就是以下的议题或者说报告吧。

文档分析技术研究现状与趋势
刘成林

Text Detection and Rectification Using Low-Rank Models
林宙辰

家族字库自动生成技术
闻申生

方正字库新探索
张建国

简繁汉字转换研究
史晓东

汉字硬笔书写特征编码方案与应用
李艺

计算机文本无关笔记鉴别研究
王言伟

以下都是一个门外汉听完这些的一些想法。刘成林老师是中科院研究所的，做了很多年的文字识别了，所以他讲的文档分析主要就是讲文字的识别~给我印象最深的就是他给出的一组数据，文字识别率的对比，在不同环境下不同公司或者研究院的文字识别率对比，之前几组数据都是很高的识别率基本上都是90+%以上的，唯有一组在多数公司识别率都在70%以下时，Google的PhotoOCR识别率高达90%以上，我当时也没听清楚具体是那种模式或者那种环境下的识别率。这老师倒是讲了文字识别的很多方法，可惜啊，没听懂，好多术语，MRF，HMM，ANN，MSER，也就业内人士知道了哇，各种缩写我砸咋知道啥意思！

第二个分享的是林老师，不愧是一个搞数学出身的，讲对变形图片的还原处理上来就是大段大段的数学推理，图片变换就是说在移动设备上斜着拍摄的招牌或者文本，通过这种算法可以还原到到正确的方向，之后再进行识别。没听下去放弃了，满眼的公式。林老师开场的时候就提到了两个产品化的东西，一个是Google Goggles, 一个是Word Lens。 其实他们做的事情都是这样的。
再下来就是闻申生讲的家族字库的生成，他是汉仪公司的，所以就是介绍公司的一款旗黑字库自动化生成的方案。他演示的字库是黑体，设计师设计好正常字体，最细字体，最粗字体，之后使用自动化的算法生成剩下的不同粗细的字体，不同宽度的字体，不同高度的字体。他提到变粗的字体要考虑笔画的交接，设计师重新设计，然后需要修改模型参数然后重新生成一套。他讲的还有两个英文单词multi-polation ,他自己造的词，就是在差值中加入更多参数，还有一个hinting，貌似说让笔画变宽至少一个像素宽。好吧我承认我记得得就这些了。最后说说字库，这东西还是挺值得玩味的，中文字库短缺其实一直是一个问题，大陆版权的问题，很少有公司愿意做一套字库出来，因为这东西很容易被拷贝，如果版权意识没有，做出来的东西赚不到钱那就没人做了。
再下来就是方正字库，方正做字库时间长了，不过也没讲什么基本上就是产品介绍，云端调用的字库，写字先生App，第一个Google已经做了，只是少有中文，不过我不觉得方正能做的比Google更好，虽然展示的Demo沿用了很多的字体，少有用户啦。第二个写汉字能够通过笔势的快慢渲染出粗细不同的风格，下载使用之后发现他们提供了铅笔，钢笔，毛笔三种笔体，当然写出来的风格也不一样的，有老师问到用户量多少—-反正不少—-草草回应。貌似还讲了些渲染有关的东西，也没好好听啦。
再次就是史老师的简繁汉字的转换，史老师来自厦大，和台湾有着深度的合作，当然史老师给出了很多简繁汉字转换的问题，编码的问题啦，大陆和台湾再汉字使用习惯和字形上的变化， 字库的不同等等问题，然后他们团队比其他开发团队先进的地方在能够转换词语，标点，还有一些使用的习惯，比如我记忆最深的“臺灣”和“台灣”，写法都可以。史老师再报告中提出的问题，异体字词典，台湾教育部制定，并发布在网上，他说了一句话—-这让大陆的汉语言研究者汗颜—-我和这位老师有着相同的感受。他还通过数据“了”的使用，展现了台湾用语更趋向于古汉语，了很少的使用，而大陆就不一样了，及其频繁。最后成果在

• 简繁转换：http://cloudtranslation.cc/s2t.html
• 繁體漢語語料庫檢索：http://cloudtranslation.cc:8080/corpus_tc.html
• 分词演示：http://cloudtranslation.cc:8080/segtag.html

这位老师实干，分享数据，思想自由，佩服之至。
之后就是汉字硬笔编码，李老师，无数遍强调自己师范教师，让我不记得也不行了。他们做的事情就是评价汉字工整性，通过对汉字字型，笔划等等进行编码，有一套编码方案，只是到最后也没讲编码方案的实施，他倒是介绍说从12年起就开始陆续申请专利，到年底准备申请12个以上的专利，最后但别人问起成果时，反正到最后也没看到啦。李老师在介绍的时候提到了他们的面向对象，小盆友练习汉字书写，但关键的问题在于他们制定了一套工整性的标准，我不禁问：难道汉字只有你们制定的一套才算是工整性，假设真的小盆友使用这个练习汉字，最后导致的结果就是我们中华民族再也不会出现书法艺术家了，因为大家写的字就是那么样的。
最后一个时清华的博士后，讲的是通过笔迹的识别找出资料库中与此笔迹相同的图片。当然同样也设计N多的算法，很多很多的内容识别，特征提取，另我钦佩的倒是这位博士后是学过书法的，所以在之后的提问环节中倒是说道了我刚刚疑惑的事情，就是没办法制定一套汉字写得是否好看的标准，因为有些东西是艺术品，不是制定简单规则就能够划定的。
好吧，我很回忆起得也就这些了。Over。

Edit:关于PhotoOCR下到一篇论文，应该很容易能找到，就不贴地址了。