/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
hand-dan-page · dense
Библиотека
pytorch
Опубликована
3 окт 2026

hand-read2016-triple-page

Описание изображенийИзображение → текст

Модель HAND распознаёт рукописный текст и структуру трёхстраничных изображений документов READ 2016.

16скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MHamdan/hand-read2016-triple-page — модель распознавания рукописных документов из проекта HAND: Unified Text–Layout Decoding for Handwritten Document Recognition, разработанного Хамданом, Рахиче и Шерье. Она предназначена для транскрибирования изображений документов READ 2016, содержащих три страницы, с одновременным восстановлением структуры документа.

Модель использует полностью свёрточный энкодер и восьмислойный трансформерный декодер с единым потоком символов и токенов разметки: страницы, номера страниц, разделы, аннотации и основной текст. На тесте READ 2016 из 16 изображений авторы сообщают CER 3,48%, WER 13,41%, LOER 0,0470 и mAP-CER 0,939. Веса содержат около 7 млн параметров; вход — RGB-изображение, рассчитанное на разрешение 150 dpi.

Модель строго рассчитана на трёхстраничные изображения и не останавливает распознавание для документов из одной или двух страниц; для неё также не обучались draft heads. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • транскрибирование рукописных трёхстраничных документов
  • распознавание рукописей из набора READ 2016
  • извлечение структуры страниц, разделов и аннотаций
  • оцифровка рукописных архивных документов

Ограничения

Модель рассчитана на изображения ровно с тремя страницами и не предназначена для одностраничных или двухстраничных изображений. Показатели качества приведены для теста READ 2016 из 16 изображений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hand-read2016-triple-page

Part of HAND: Unified Text–Layout Decoding for Handwritten Document Recognition (Hamdan, Rahiche, Cheriet). Code: github.com/DocumentRecognitionModels/HAND-Decoding

The double-page model after continued training on READ 2016 triple-page images (66 epochs; selected at epoch 50).

  • Architecture: fully convolutional encoder and eight-layer transformer decoder; one output stream of characters and layout tokens (page, page number, section, annotation, body).
  • Parameters: 7,033,700.
  • Input: an RGB document image, resampled to 150 dpi.
  • Result reported in the paper: READ 2016 triple-page test (16 images): CER 3.48 %, WER 13.41 %, LOER 0.0470, mAP-CER 0.939.
  • Scope: Reads three pages; does not stop on single or double pages. No draft heads were trained for this model.

Verified before release: decoding the stored example image with these weights reproduces the prediction recorded in the repository token for token.

# git clone https://github.com/DocumentRecognitionModels/HAND-Decoding && cd HAND-Decoding && pip install -r requirements.txt
import sys; sys.path.insert(0, "release")
from hand_release.inference import HANDRecognizer

model = HANDRecognizer.from_pretrained("MHamdan/hand-read2016-triple-page", kv_cache=True)
page = model.read("page.jpg", source_dpi=300)   # 300 for a raw scan, 150 if already resampled
print(page.text)      # transcription; page.raw keeps the layout tokens inline

Licence and attribution

These weights are released under the Creative Commons Attribution 4.0 International licence (CC BY 4.0, https://creativecommons.org/licenses/by/4.0/). They are Adapted Material of:

  • Pretrained Document Attention Network for Handwritten Text Recognition, Denis Coquenet, Zenodo, DOI 10.5281/zenodo.7244382, CC BY 4.0, file fcn_read_2016_line_syn.pt (sha256 557d6c349131b113c1e316effdb028eff9b37bf39a48d0689125a3783b86a7c3). Its encoder weights initialised this model, which was then trained further on READ 2016 page images and synthetic pages. The model was trained on READ 2016 (Sánchez et al., Zenodo 10.5281/zenodo.1297399, CC BY 4.0).

The weights are provided as-is, without warranty. The code that loads them is MIT-licensed, with DAN-derived files under CeCILL-C; see release/NOTICE.md in https://github.com/DocumentRecognitionModels/HAND-Decoding.

Citation

The paper is under review. Until it is published, please cite the preprint, which appeared under an earlier title:

@article{hamdan2024hand,
  title   = {{HAND}: Hierarchical Attention Network for Multi-Scale Handwritten
             Document Recognition and Layout Analysis},
  author  = {Hamdan, Mohammed and Rahiche, Abderrahmane and Cheriet, Mohamed},
  journal = {arXiv preprint arXiv:2412.18981},
  year    = {2024},
  url     = {https://arxiv.org/abs/2412.18981}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура hand-dan-page неизвестна transformers в образе рантайма.

Ревизия весов
810c549

0 моделей