Öz
Osmanlı Türkçesi arşiv belgelerinin sayısallaştırılması tarihî araştırmalar için büyük önem taşır. Bu çalışmada rika ve nesih yazı türlerindeki el yazması belgelerden 62.000 karakter örneği içeren bir veri kümesi oluşturulmuştur. Harflerin konuma bağlı biçim değişikliklerini dikkate alan çok görevli bir evrişimli sinir ağı modeli önerilmiştir. Model karakter düzeyinde %96,4, kelime düzeyinde %88,7 doğruluk elde etmiştir. Hatalı tanımaların büyük bölümünün noktalama ve bitişik yazım kaynaklı olduğu belirlenmiştir.
Character Recognition in Ottoman Turkish Handwritten Documents Using Convolutional Neural Networks
Digitisation of Ottoman Turkish archival documents is of great importance for historical research. In this study, a dataset of 62,000 character samples was created from handwritten documents in riq'a and naskh scripts. A multi-task convolutional neural network that accounts for position-dependent letter forms is proposed. The model achieved 96.4% accuracy at the character level and 88.7% at the word level. Most recognition errors were found to stem from diacritics and ligatures.
Tam Metin
Beyanlar
- Etik Kurul Onayı
- Bu çalışma etik kurul onayı gerektirmemektedir.
- Çıkar Çatışması
- Yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.
- Finansman
- Bu çalışma Selçuk Üniversitesi BAP Koordinatörlüğü tarafından desteklenmiştir (Proje No: 24015).
Kaynakça 5
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.
- Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. In International Conference on Learning Representations.
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
- Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1), 1929–1958.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Atıf Göster
Lisans
© 2026 Deniz Çelik, Cem Arslan. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni