Neues Netzwerk erkennt handgeschriebene chinesische Schriftzeichen ohne Training

Ein neu entwickeltes Modell namens Entropy-Aware Structural Alignment Network setzt neue Maßstäbe bei der Erkennung handgeschriebener chinesischer Schriftzeichen, ohne dass zuvor Trainingsdaten für die jeweiligen Zeichen benötigt werden. Durch die Kombination von informations­theoretischen Ansätzen und einer hierarchischen Analyse der Radikale kann das System die komplexe Struktur der Schriftzeichen besser erfassen als bisherige Verfahren.

Das Netzwerk nutzt zunächst eine Information‑Entropy‑Prior‑Schicht, die die Positionsembeddings dynamisch anpasst. Diese Schicht fungiert als Salienz‑Detektor und hebt die entscheidenden Wurzel‑Radikale hervor, während weniger informative Komponenten ausgeblendet werden. Anschließend wird ein Dual‑View Radical Tree aufgebaut, der sowohl globale Layout‑Informationen als auch lokale räumliche Rollen extrahiert. Diese Features werden über ein adaptives Sigmoid‑Gate zusammengeführt, um ein umfassendes strukturelles Bild zu erzeugen.

Zur weiteren Verbesserung der Genauigkeit wird ein Top‑K Semantic Feature Fusion‑Mechanismus eingesetzt. Dieser nutzt die Zentroid‑Informationen semantischer Nachbarn, um visuelle Mehrdeutigkeiten auf Feature‑Ebene zu klären. Die Kombination dieser Techniken führt zu einer signifikanten Leistungssteigerung gegenüber bestehenden CLIP‑basierten Baselines und demonstriert gleichzeitig eine bemerkenswerte Daten­effizienz, da das Modell mit nur wenigen Support‑Samples schnell adaptiert.