Research indexJournal article
РОБАСТНАЯ КЛАССИФИКАЦИЯ ЭМОЦИЙ В КИТАЙСКИХ РУКОПИСНЫХ ТЕКСТАХ В УСЛОВИЯХ ШУМА ОПТИЧЕСКОГО РАСПОЗНАВАНИЯ СИМВОЛОВ С ПРИМЕНЕНИЕМ ПРОФИЛЬНО- ОРИЕНТИРОВАННОЙ АУГМЕНТАЦИИ ДАННЫХ
Чжан
Современные наукоемкие технологии (Modern High Technologies)3 Sep 2026Open access
РОБАСТНАЯ КЛАССИФИКАЦИЯ ЭМОЦИЙ В КИТАЙСКИХ РУКОПИСНЫХ ТЕКСТАХ В УСЛОВИЯХ ШУМА ОПТИЧЕСКОГО РАСПОЗНАВАНИЯ СИМВОЛОВ С ПРИМЕНЕНИЕМ ПРОФИЛЬНО- ОРИЕНТИРОВАННОЙ АУГМЕНТАЦИИ ДАННЫХ
Чжан · Современные наукоемкие технологии (Modern High Technologies) · 2026
Abstract
В работе проверяется, что происходит с классификацией эмоций, когда на вход модели попадает не ручная транскрипция китайской рукописной строки, а результат PaddleOCR. Исходный корпус удобен для такой проверки: в нем есть изображения строк и их текстовые записи, но нет экспертной эмоциональной разметки. Поэтому сначала была зафиксирована слабая разметка, полученная по лексическим признакам и текстовому классификатору, а уже затем на ней обучались итоговые модели. Основным вариантом оставлена задача на семь эмоций. Одиннадцатиклассовая схема используется отдельно, как проверка поведения редких категорий. В режиме text-only лучшей оказалась RoBERTa: Accuracy 0,9304 и Macro-F1 0,8863. После замены ручных транскрипций OCR-выходом Macro-F1 снизилась до 0,8390. Для обучения с учетом таких ошибок был собран профиль фактических замен, удалений и вставок PaddleOCR; на его основе применялась профильно-ориентированная аугментация. В сквозном сценарии Macro-F1 выросла до 0,8636, а 95%-й доверительный интервал для разности не включал ноль. В одиннадцатиклассовом варианте Macro-F1 равна 0,8760, но редкие классы остаются ненадежными для самостоятельных выводов. Ручная проверка 480 объектов также показала, что псевдометки лишь частично совпадают с оценкой аннотатора. Поэтому приведенные метрики следует читать прежде всего как оценку устойчивости внутри выбранной слабой разметки, а не как точность относительно полноценного экспертного стандарта.