论文
SARCLIP：基于 CLIP 的可扩展的 17 世纪西班牙裔美国公证记录检索系统
SARCLIP: A Scalable CLIP-Based Retrieval System for Seventeenth-Century Spanish American Notary Records
摘要
由于不一致的笔迹、过时的正字法以及缺乏可靠的大规模转录，历史手稿档案抵制标准文本搜索。我们展示了 SARCLIP（西班牙裔美国公证记录遇见 CLIP），这是一个针对阿根廷国家档案馆 17 世纪西班牙裔美国公证记录的部署检索系统，该数据库包含超过 1360 万个文字图像补丁，涵盖 100 多个缩微胶卷（“rollos”）。 SARCLIP 建立在 CLIP ViT-B/16 模型的基础上，对古文字学专家注释的数据进行了对比微调，并通过以下方式扩展了先前的工作：(1) 通过 FAISS 索引将近似最近邻检索扩展到接近完整的语料库，(2) 通过伪相关性反馈 (Rocchio) 细化 top-k 结果，以及 (3) 通过可视化文档浏览、基于画布的补丁注释和周期性模型来关闭人机交互循环再培训。与系统最初的研究原型（评估小型五卷子集的检索）不同，SARCLIP 被证明是在近乎完整的语料库上运行的完整的交互式工具。与会者在此演示期间实时体验完整的搜索、浏览、注释和重新训练工作流程。