Welcome from the Executive Chairs
Notice bibliographique
Résumé
Welcome to the 2013 International Conference on Document Analysis and Recognition in Washington, DC.It is truly an honor to host our premier conference in the capital of the United States of America.While the city is still very young compared to previous hosts, it represents the founding of our nation from early settlers to the modern day center of government.We hope that you will take time to enjoy the cultural and historic sites the city has to offer, especially the many monuments and museums, only minutes from the conference venue.ICDAR 2013 is the twelfth biennial meeting of our international research community which began in St. Malo, France in 1991.Since that time, we have met in Tsukuba, Japan ('93), Montreal, Canada ('95), Ulm, Germany ('97), Bangalore, India ('99), Seattle, Washington ('01), Edinburgh, UK ('03), Seoul, Korea ('05), Curitiba, Brazil ('07), Barcelona, Spain ('09) and most recently in Beijing, China ('11).ICDAR 2013 continues a long tradition of providing state-ofthe-art snapshots of the research advances in our field and we hope that you will benefit from all that the conference has to offer, both technically and socially.This year's conference will be highlighted by three keynote talks.The first keynote will be by IAPR/ICDAR Outstanding Achievements Award winner Réjean Plamondon, who will focus his talk on the neuromotor aspects of handwriting.In the second keynote, Roger Easton, a professor from the Rochester Institute of Technology, will draw on his work in using imaging technologies to enable manuscript scholars to uncover lost or unexpected material.Finally Michael Lesk, a professor at Rutgers University, will provide his insights on the generality of graphic tools and text tools and what can be learned from relationships between them.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».