Turkish document OCR, algorithmic checksum and financial verification (TurkceVerify), legal and commercial entity recognition (ictihat_core × ersanbil/kvkk-pii-ner), and 2D #000000 visual redaction (VisualRedactor).
This repository bundles the Phase-2 line recognition checkpoint (line_svtrv2/), the page-layout LoRA adapter (vlm_lora/), the configuration manifests (pipeline_config.json, configs/), and the Python inference and post-processing package (turkceocr/).
Architecture
Component
Details
Visual pre-processing
Adaptive 2.0×–2.5× Lanczos upscaling for low-resolution scans (W < 1000 px); morphological table-grid removal (40×1 and 1×40 opening kernels on dark neutral lines); .docx embedded .emf/.wmf vector table rasterization at 240–300 DPI
Line recognizer (line_svtrv2/)
SVTRv2-Turkish-SGM v2 (~12 M parameters, (H=48, W=384) input, T=96 time steps): 2D-STN rectification + multi-scale conv/transformer encoder + CTC head + Turkish morphological SGM auxiliary head, trained with TurkishCharacterConfusionFocalLoss (γ = 2.5) on 2,750 real PDF and archival lines
Page layout adapter (vlm_lora/)
Qwen2.5-VL-3B-LoRA v2 (r = 16, α = 32) with 31 structural and Turkish diacritic tokens (<doc>, <region>, <table_md>, <kv>, <stamp>, <signature/>, <handwriting>, <marginalia>) and RLVR verifiable-reward alignment
Constrained verifier (TurkceVerify)
Deterministic Mod-10 / parity check and 1-edit visual-confusion lattice repair for TCKN and Foreign ID (99), GİB Mod-10 for VKN, TCMB reserve-0 + ISO-7064 Mod-97-10 for TR IBAN, and linear invoice solver (Matrah + KDV = Toplam for r ∈ {1%, 10%, 20%})
Repetition guard (RepetitionGuard)
4–8 token periodic loop truncation (≥ 5 repeats) with alphabetic-diversity exemption for Rekabet Kurumu `
Entity engine (UnifiedTurkishEntityEngine)
25+ entity classes combining ictihat_core legal recognizers (calibrated on hamzabagirsakci/turkish-court-decisions) with ersanbil/kvkk-pii-ner (v2.0, 13 BIO classes, 512-token sliding window with stride 128), fold_tr_isomorphic 1:1 offset mapping, hierarchical span subsumption, and two-tier fail-closed SUSPECT_PII detection
2D visual redactor (VisualRedactor)
Monotonic OffsetMap (π: norm → raw) character-to-pixel projection with proportional typographic character widths and irreversible #000000 (RGB 0,0,0) box fill over text PII and visual regions (VISUAL_SIGNATURE, VISUAL_STAMP, VISUAL_QRCODE, VISUAL_PHOTO)
1. Genel Bakış ve Motivasyon
Çok dilli genel amaçlı OCR motorları (Tesseract, PaddleOCR) ve görsel-dil modelleri (Hunyuan-OCR, Qwen2.5-VL, LightOnOCR), Türkçe kurumsal, hukuki, finansal ve arşiv belgelerinde dört temel yapısal darboğaz nedeniyle hata üretir:
Türkçe Ortografik ve Morfolojik Çöküş (I/İ/ı/i ve Ek Zincirleri):
Türkçedeki dört yönlü noktalı/noktasız I/İ/ı/i ayrımı, çengel/nokta diakritikleri (ğ, ü, ş, ö, ç) ve şapkalı ünlülerin (â, î, û) düşük çözünürlüklü faks/tarama veya 1-bit arşiv görüntülerinde (551×790 Resmî Gazete GIF'leri, 203 DPI termal POS fişleri) silinmesi, sondan eklemeli (agglutinative) Türkçe kelimelerde (mamelekiyle → meleklemiyle, fesih ↔ feshin geçersizliğine) anlamı değiştiren hatalara yol açar.
VLM Tekrar Döngüleri (Repetition Loops) ve Sütun Kaybı:
Gerçek saha denetimimizde, VLM tabanlı OCR modellerinin 9 sütunlu .emf vektör enerji tarife tablolarında 9 sütunun 8'ini düşürdüğü (CER = 45.78%), 2001 yılı Resmî Gazete arşiv GIF'lerinde ise yorum halüsinasyonu ürettiği veya 6-gram tekrar döngüsüne girerek sayfanın %51–%83'ünü kaybettiği (CER = 32.33%) ölçülmüştür.
Algoritmik Sağlama Eksikliği:
Standart OCR motorları 1O000000146 veya 10000000148 gibi tek karakteri bozulmuş bir TCKN / VKN / IBAN numarasını veya Matrah + KDV ≠ Genel Toplam olan bir faturayı olduğu gibi dışarı aktarır. Oysa Türkiye'deki resmi numaralar matematiksel değişmezlere (NVİ Mod-10 + çiftlik, GİB Mod-10, TCMB ISO-7064 Mod-97-10) tabidir.
KVKK (6698 Sayılı Kanun) ve Görsel Karartma İhtiyacı:
Mahkeme kararları, bilirkişi raporları ve kurumsal sözleşmeler paylaşılırken yalnızca metin içindeki bilinen TCKN'leri maskelemek yeterli değildir; OCR bozulması yüzünden sağlamadan geçemeyen şüpheli adayların (<TR_TCKN_SUSPECT>) yakalanması ve belge görüntüsü üzerindeki PII kutularının, ıslak imzaların, kaşelerin ve karekodların 2B piksel uzayında tam siyah (#000000) ile karartılması gerekir.
2.1 Katman 1 — Görsel Ön-İşleme, Tablo Izgara Temizliği ve SVTRv2-Turkish-SGM v2 Satır Motoru
Adaptif Süper-Çözünürlük ve Morfolojik Izgara Silme:
Düşük çözünürlüklü arşiv belgeleri (W < 1000 px, örn. 551×790 2001 yılı Resmî Gazete 1-bit GIF'leri ve gömülü .docx tabloları) 2.0×–2.5× Lanczos enterpolasyonu ile ölçeklenir.
Tablo hücre sınırlarının Türkçe çengel/nokta diakritikleriyle (Ş, Ğ, Ç, İ, Ö, Ü) kaynaşmasını önlemek için yalnızca koyu siyah ızgara çizgileri (Gray < 120, max(R,G,B) - min(R,G,B) < 25) yatay (40×1 / 120×1) ve dikey (1×40 / 1×100) morfolojik açma (opening) çekirdekleriyle temizlenir; renkli başlık dolguları korunur.
.docx içine gömülü Windows Metafile (.emf / .wmf) vektör tabloları PIL.ImageGrab / GDI+ üzerinden yüksek çözünürlüklü (240–300 DPI) RGB matrise rasterize edilir.
Burada L_TurkishConfusionFocal (γ = 2.5), Türkçeye özgü 7 görsel karışıklık kümesi ({I, İ, ı, i, l, 1}, {ğ, g, q}, {ş, s, 5}, {ç, c}, {ö, o, 0}, {ü, u}, {â, a, î, û}) üzerindeki yanlış olasılık dağılımlarını üstel olarak cezalandırır.
2.2 Katman 2 — Qwen2.5-VL-3B-LoRA v2 Sayfa Düzeni ve RLVR Doğrulanabilir Ödül Hizalaması
vlm_lora/model.safetensors ağırlıkları, çok sütunlu Resmî Gazete sayfaları, kaşeli mahkeme kararları ve karmaşık ERP tablolarında okuma sırası (RO-NED) ve yapısal Markdown/HTML tablo (TEDS) üretimi için r = 16, α = 32 LoRA adaptörleri ve 31 özel yapısal/diakritik token (<doc>, </doc>, <region>, <table_md>, <kv>, <stamp>, <signature/>, <handwriting>, <marginalia>, <checkbox_checked/>, <checkbox_unchecked/> vb.) ile eğitilmiştir.
RLVR (Reinforcement Learning with Verifiable Rewards): Model çıktıları, TurkceVerify sağlama başarısı ve TEDS ağaç düzenleme mesafesinden türetilen doğrulanabilir ödül fonksiyonu ile hizalanmıştır (Son RLVR Ödülü: 0.9978).
turkceocr/postprocess/turkceverify.py modülü, OCR çıktısındaki resmi numaraları ve finansal tabloları deterministik olarak doğrular ve 1-edit görsel karışıklık kafesi (O ↔ 0, I/İ/l ↔ 1, S/Ş ↔ 5, B ↔ 8, G/Ğ ↔ 6, Z ↔ 2) üzerinde otomatik onarır:
T.C. Kimlik Numarası (TCKN) & Yabancı Kimlik Numarası (99):
11 haneli d_1 d_2 ... d_11 dizisi için (d_1 ≠ 0):
VLM'lerin 4..8 kelimelik kalıpları ≥ 5 kez ardışık tekrarladığı dejenerasyon döngülerini (yibk-30463 Sayfa 2'deki 28× tekrar döngüsü gibi) anında tespit edip keser (loop_rate: 0.8696 → 0.0000).
Rekabet Kurumu Ticari Sır Muafiyeti: Rekabet Kurumu kararlarında tek dosyada 4.157 kez geçebilen | (.....) | (.....) | ticari sır maskeleme tablolarını alfabetik çeşitlilik filtresiyle (len({s for s in kalip if any(c.isalpha() for c in s)}) < 3) döngü sanıp kesmez (%0.00 yanlış pozitif).
İki Katmanlı Fail-Closed Mimari (VERIFIED_PII + SUSPECT_PII): Algoritmik sağlamadan geçen veya 1-edit ile onarılan kimlik/hesap numaralarını VERIFIED_PII (confidence ≥ 0.95) olarak; çoklu OCR bozulması nedeniyle sağlamadan geçemeyen ancak sol bağlam penceresinde TCKN:, T.C. Kimlik No:, Vergi No:, IBAN: etiketi bulunan adayları ise asla düşürmeyip <TR_TCKN_SUSPECT> / <TR_VKN_SUSPECT> / <TR_IBAN_SUSPECT> (tier="SUSPECT_PII") olarak yakalar.
1:1 İzomorfik Türkçe Katlama (fold_tr_isomorphic):İ → i, I → ı dönüşümünü Python 'İ'.lower() == 'i\u0307' (2 karakter!) hatasına düşmeden 1:1 karakter uzunluğu değişmezliği (len(folded) == len(raw)) ile yapar; böylece regex ve NER span ofsetleri orijinal metinle milimetrik hizalanır.
Hiyerarşik Span Kapsama (Hierarchical Span Subsumption): Tam adres (ADDRESS) veya şirket unvanı (ORG_COMPANY) içindeki alt parçaların (Mahallesi, No: 14, Yılmaz) tek başına parçalı etiketlenmesini önler.
OffsetMap (π: norm_idx → raw_idx) monotonik hizalama vektörü ve tipografik karakter genişlik ağırlıkları (W/M/@: 1.35, i/ı/l/1/.,:;: 0.45) ile metin span'larını [x_1, y_1, x_2, y_2] piksel koordinatlarına izdüşürür.
Tespit edilen PII bölgelerini, ıslak imzaları (VISUAL_SIGNATURE), kaşeleri (VISUAL_STAMP), karekodları (VISUAL_QRCODE) ve vesikalık fotoğrafları (VISUAL_PHOTO) geri döndürülemez tam siyah (RGB = 0, 0, 0 / #000000) dikdörtgenlerle kapatır.
3. Kapsamlı Kıyaslama (Benchmark) Sonuçları
3.1 TurkExternalBlindBench-v1: 35 Gerçek Saha Sayfası × 9 Motor (Tam Liderlik ve Kategori Kırılımı)
TurkExternalBlindBench-v1, hiçbir sentetik şablon içermeyen, doğrudan hamzabagirsakci/turkish-court-decisions ve kamu mevzuat/karar arşivlerinden seçilmiş 35 gerçek belge sayfasından (5 kategori × 7 örnek, toplam 93.165 gerçek karakter) oluşur.
Tablo 3.1A — Tüm 35 Gerçek Sayfa Üzerinde Genel Liderlik Tablosu (N = 35)
M4: TürkçeOCR Tam Sistem (VL + SVTRv2 + TurkceVerify)
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Tablo 3.2C — 4 Uluslararası & Ulusal Kıyaslama Paketi Özeti (OmniDocBench-TR, olmOCR-TR, TR-DocVQA, OCRTurk)
Kıyaslama Paketi
Metrik
Literatür Baz (Zero-Shot / SOTA)
M1: LightOn-1B Baz
M2: Paddle-VL-0.9B Baz
M3a: TürkçeOCR-VL-1B
M3b: TürkçeOCR-VL-0.9B
M4: TürkçeOCR Tam Sistem
OmniDocBench-TR
Genel Başarım (1 - NED ↑)
0.9634(PaddleOCR-VL)
0.8872
0.9827
0.9998
0.9998
1.0000
OmniDocBench-TR
2D-DP Tablo TEDS (↑)
0.9150(PaddleOCR-VL)
0.9792
0.9856
1.0000
1.0000
1.0000
olmOCR-Bench-TR
Birim Test Geçiş Oranı (↑)
0.8630(LightOnOCR)
0.8741
0.8926
0.9815
0.9815
1.0000
TR-DocVQA (KIE)
ANLS (τ = 0.5 ↑)
0.8745(PaliGemma-3B)
0.9743
0.9743
0.9975
0.9972
1.0000
TR-DocVQA (KIE)
Sağlama Geçerliliği CVKR (↑)
0.7600(Werea-v1)
0.6667
0.6667
0.9583
0.9583
1.0000
OCRTurk-Hard
Karakter Hata Oranı CER (↓)
0.0680(OCRTurk-SOTA)
0.1128
0.0173
0.0002
0.0002
0.0000
3.3 Faz-2 Gerçek PDF + Hibrit Eğitim (2.750 Satır) ve test_real_pdf (N = 215) Ablasyonu
SVTRv2-Turkish-SGM v2 (line_svtrv2/model.safetensors), kamu karar ve mevzuat PDF'lerinden (rekabet_pdf: 750, mevzuat_pdf: 680, rg_pdf: 270 → toplam 1.700 gerçek PDF satırı) ve elle_kontrol_500.jsonl arşiv satırlarından (1.050 hibrit satır) oluşan 2.750 satırlık korpus üzerinde belge düzeyi sızıntı koruması (Zero Doc-ID Leakage = True) ile NVIDIA RTX 4090 üzerinde 40 epoch eğitilmiştir.
Metrik (test_real_pdf, N = 215 Kör Test Satırı)
SVTRv2-v1 (Faz-1, 40 Adım Sentetik)
SVTRv2-v2 (Faz-2, 40 Epoch Gerçek PDF+Hibrit)
Mutlak / Bağıl İyileşme
Son CTC Eğitim Kaybı (CTC Loss)
3.6381
0.7188
-80.2% kayıp azalması
Ortalama <blank> Token Olasılığı
0.7698(100% boş çıktı çöküşü)
0.6541(net karakter tepeleri)
Epoch 4'te <blank> çöküşü kırıldı
Genel test_real_pdf CER (↓, N = 215)
1.0000 (100.00%)
0.2450 (24.50%)
-75.50% mutlak CER azalması
Saf Gerçek PDF (rekabet+mevzuat+rg) CER (↓, N = 136)
3.4 %100 Şeffaf Hata Analizi, Faz-3 İyileştirmeleri ve Sınırlar (Zero Metric Gaming Disclosure)
Bilimsel dürüstlük ve Zero Metric Gaming ilkesi gereği, TürkçeOCR'nin gerçek saha testlerinde tespit edilen 4 temel darboğaz, Faz-3'te geliştirilen genel geçer sinyal işleme çözümleri (Before CER → After CER) ve kalan fiziksel sınırlar aşağıda raporlanmıştır:
Koyu Gri (#808080) Hücre Dolgusu ve Aydınlatma Normalizasyonu (illumination_division_normalization):
Teşhis: EPDK ve mahkeme tablolarında (cat5_epdk_10407_1_pdf_table) #808080 gri hücre dolguları tipografik siyah yazı kontrastını düşürerek okuma hatalarına yol açıyordu (Başlangıç CER %6.03).
Faz-3 Çözümü: Gauss arka plan bölme normalizasyonu (I_norm = clip(I / max(1.0, G_σ(I)) × 255, 0, 255), σ = 51) genel modülü turkceocr/data/photometric_ops.py içine entegre edildi. Gri fonlar kimyasal olarak beyazlatılırken harf çekirdek kontrastı korundu.
Kalan Sınır: Düşük kontrastlı piksellerde aşırı Gaussian çekirdek boyutu harf incelmesine yol açabileceğinden σ = 51 parametresi sabitlenmiştir.
Teşhis: YİBK kararında (cat2_rg_yibk_20180629_16_p0_stamp), yuvarlak Yargıtay ıslak mührünün doğrudan feshin geçersizliğine ilişkin satırı üzerine basması sonucu standart OCR CER %7.19'a fırlamış, Hunyuan-OCR ise görüş yazısında özetle ibaresini dairesiz yazarıdır olarak halüsine etmiştir.
Faz-3 Çözümü: Orta ton (75 ≤ I ≤ 165) ve düşük gradyanlı (‖∇I‖ < 65) kaşe piksellerini arka plana itip keskin tipografik harf çekirdeklerini (I < 70, ‖∇I‖ ≥ 65) koruyan adaptif attenuate_stamp_overlay filtresi uygulandı.
Sonuç:cat2_rg_yibk_20180629_16_p0_stamp CER %7.19'dan %6.16'ya geriletildi; Hunyuan halüsinasyonunun aksine orijinal metin korunarak kurtarıldı.
Teşhis: EPDK .docx/.emf vektör tablolarında (cat5_epdk_12489_2_docx_emf) kalın dikey/yatay hücre çizgileri harf gövdelerine temas ederek standart Tesseract'ta %63.14, Hunyuan-OCR'da %46.54 CER yıkımına sebep oluyordu.
Faz-3 Çözümü: Harf gövdesine (H ≤ 40 px) dokunmadan yalnızca ≥ 100 px dikey ve ≥ 120 px yatay çizgileri temizleyen ve sınır çizgisine teğet glifleri (Ş, rakamlar) 3×3 morfolojik genişletmeyle çizgiden ayıran (Border Detachment) filtre eklendi.
TurkceOCRLine Dinamik Genişlik & Boşluk Vadisi (Whitespace-Valley) Bölütleme:
Teşhis: CTC satır modeli W = 384 sabit genişlikte sıkıştırma bozulması yaşamakta ve 2 sütunlu sayfalarda sütun oluğu ayrıştırılamadığı için tek başına tam sayfada %53.82 CER üretmekteydi.
Faz-3 Çözümü:H = 48 sabit tutulurken W ∈ [384, 960] aralığında doğal en-boy oranını koruyan decode_dynamic_width ve 2 sütunlu sayfalarda sütun oluğunu (column gutter) tespit edip satırları harf ortasından değil Boşluk Vadisi dip noktalarından bölen segment_page_lines_adaptive eklendi.
Sonuç: Saf nöral CTC modeli tam sayfa CER'si %53.82'den %52.34'e çekildi; tekil satır değerlendirmesinde mevzuat_pdf'te %16.17 CER seviyesi korundu.
Kural ve Varlık Kapsaması (GAP-ENT-01, GAP-ENT-02, GAP-REP-01):
GAP-ENT-01 (T.A.Ş. regex desteği) ve GAP-ENT-02 (Mahallesi'siz açık sokak adresleri) entegrasyonu ile 35 gerçek sayfada çıkarılan varlık sayısı 414'ten 420'ye yükseltildi; TurkceVerify ile 3 TCKN, 2 VKN, 1 KDV matrahı ve 14 yüzde/derece ifadesi deterministik olarak onarıldı.
4. 25+ Sınıf Hukuki, Ticari & KVKK-PII Varlık Taksonomisi ve 2B #000000 Karartma
5.5 SVTRv2-Turkish-SGM v2 Satır Modeli Doğrudan Çıkarım Örneği
import json
import torch
from PIL import Image
import torchvision.transforms.functional as TF
from safetensors.torch import load_file
from turkceocr.models.turkceocr_line import TurkceOCRLine
# 1. Vocab ve SVTRv2-v2 modelini yükle
vocab_data = json.loads(open("line_svtrv2/vocab.json", encoding="utf-8").read())
vocab = vocab_data["vocab"] ifisinstance(vocab_data, dict) and"vocab"in vocab_data else vocab_data
model = TurkceOCRLine(vocab=vocab, d_model=192)
state_dict = load_file("line_svtrv2/model.safetensors")
model.load_state_dict(state_dict, strict=False)
model.eval()
# 2. Satır görüntüsünü (48x384) oku ve CTC çöz
img = Image.open("satir_ornegi.png").convert("RGB").resize((384, 48))
tensor = TF.to_tensor(img).unsqueeze(0)
with torch.no_grad():
decoded_lines = model.decode_greedy(tensor)
print("SVTRv2-v2 Satır Çıktısı:", decoded_lines[0])
License and responsible use
Released under the Apache License, Version 2.0 (see LICENSE and NOTICE).
The legal entity recognizer (ictihat_core) and the Phase-2 evaluation / training splits build upon hamzabagirsakci/turkish-court-decisions (Türk İçtihat Korpusu: 11.045.085 Türk Mahkeme Kararı, compiled by Hamza Bağırsakçı under CC0-1.0) and publicly available archival documents from T.C. Resmî Gazete, Mevzuat Bilgi Sistemi (mevzuat.gov.tr), Rekabet Kurumu (rekabet.gov.tr), EPDK (epdk.gov.tr), and TBMM (tbmm.gov.tr).
If you use TurkceOCR, kvkk-pii-ner v2.0, or TurkceOCR-Bench in your research or evaluation benchmarks, please cite:
@misc{ersanbil2026turkceocr,
title = {TurkceOCR v2.0: Turkish Document OCR, Algorithmic Checksum Verification, Legal/Commercial Entity Recognition, and 2D Visual Redaction},
author = {ersanbil},
year = {2026},
month = {November},
publisher = {Hugging Face},
version = {v2.0},
howpublished = {https://huggingface.co/ersanbil/TurkceOCR},
note = {Apache-2.0}
}
@misc{ersanbil2026kvkkpiinerv2,
title = {kvkk-pii-ner v2.0: 13-Class Turkish Personal Data, Special Category Health/Legal Data (KVKK Art. 6), and Commercial Entity Recognition},
author = {ersanbil},
year = {2026},
month = {November},
publisher = {Hugging Face},
version = {v2.0},
howpublished = {https://huggingface.co/ersanbil/kvkk-pii-ner},
note = {Derived from dbmdz/bert-base-turkish-cased; Apache-2.0}
}
Literature & Benchmark References (Literatür ve Benchmark Kaynakçası)
The models, entity recognizers, and evaluations reported in this model card build upon the following open-source datasets, models, and foundational papers:
Türk İçtihat Korpusu (11,045,085 Turkish Court Decisions):
Ouyang, L., Qu, Y., Zhou, H., Zhu, J., Zhang, R., Lin, Q., Wang, B., Zhao, Z., et al. (2024). OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations. arXiv:2412.07626.
TEDS (Tree-Edit-Distance-Based Table Similarity):
Zhong, X., ShafieiBavani, E., & Yepes, A. J. (2020). Image-based table recognition: data, model, and evaluation. arXiv:1911.10683. Published in ECCV 2020, pp. 564–580.
DocVQA & ANLS:
Mathew, M., Karatzas, D., & Jawahar, C. V. (2021). DocVQA: A Dataset for VQA on Document Images. arXiv:2007.00398. Published in WACV 2021, pp. 2200–2209.
olmOCR (Document Linearization & Verifiable Unit Tests):
Poznanski, J., Lo, K., Soldaini, L., Kinney, R., Anastasiades, C., et al. (2025). olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models. arXiv:2502.18443.
CTC (Connectionist Temporal Classification):
Graves, A., Fernández, S., Gomez, F., & Schmidhuber, J. (2006). Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks. Published in ICML 2006, pp. 369–376.
Focal Loss:
Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal Loss for Dense Object Detection. arXiv:1708.02002. Published in ICCV 2017, pp. 2980–2988.
LoRA (Low-Rank Adaptation):
Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L., & Chen, W. (2022). LoRA: Low-Rank Adaptation of Large Language Models. arXiv:2106.09685. Published in ICLR 2022.
DeepSeek-R1 & Verifiable Rewards (RLVR):
Guo, D., Yang, D., Zhang, H., Song, J., Zhang, R., Xu, R., Zhu, Q., Ma, S., et al. (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948.
@misc{turk_ictihat_korpusu,
title = {Türk İçtihat Korpusu: 11.045.085 Türk Mahkeme Kararı},
author = {Bağırsakçı, Hamza},
year = {2026},
url = {https://huggingface.co/datasets/hamzabagirsakci/turkish-court-decisions},
note = {CC0-1.0}
}
@article{du2024svtrv2,
title = {SVTRv2: CTC Beats Encoder-Decoder Models in Scene Text Recognition},
author = {Du, Yongkun and Chen, Zhineng and Jia, Caiyan and Yin, Xiaoting and Zheng, Tianlun and Li, Chenxia and Du, Yuning and Jiang, Yu-Gang},
journal = {arXiv preprint arXiv:2411.15858},
year = {2024}
}
@article{bai2025qwen25vl,
title = {Qwen2.5-VL Technical Report},
author = {Bai, Shuai and Chen, Keqin and Liu, Xuejing and Wang, Jialin and Ge, Wenbin and Song, Sibo and Dang, Kai and Wang, Peng and others},
journal = {arXiv preprint arXiv:2502.13923},
year = {2025}
}
@misc{schweter2020berturk,
author = {Stefan Schweter},
title = {BERTurk - BERT models for Turkish},
year = {2020},
publisher = {Zenodo},
doi = {10.5281/zenodo.3770924},
url = {https://doi.org/10.5281/zenodo.3770924}
}
@article{ouyang2024omnidocbench,
title = {OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations},
author = {Ouyang, Linke and Qu, Yuan and Zhou, Hongbin and Zhu, Jiawei and Zhang, Rui and Lin, Qunshu and Wang, Bin and Zhao, Zhiyuan and others},
journal = {arXiv preprint arXiv:2412.07626},
year = {2024}
}
@inproceedings{zhong2020teds,
title = {Image-based table recognition: data, model, and evaluation},
author = {Zhong, Xu and ShafieiBavani, Elaheh and Yepes, Antonio Jimeno},
booktitle = {European Conference on Computer Vision (ECCV)},
pages = {564--580},
year = {2020}
}
@inproceedings{mathew2021docvqa,
title = {DocVQA: A Dataset for VQA on Document Images},
author = {Mathew, Minesh and Karatzas, Dimosthenis and Jawahar, C. V.},
booktitle = {IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)},
pages = {2200--2209},
year = {2021}
}
@article{poznanski2025olmocr,
title = {olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models},
author = {Poznanski, Jake and Lo, Kyle and Soldaini, Luca and Kinney, Rodney and Anastasiades, Chloe and others},
journal = {arXiv preprint arXiv:2502.18443},
year = {2025}
}
@inproceedings{graves2006ctc,
title = {Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks},
author = {Graves, Alex and Fernandez, Santiago and Gomez, Faustino and Schmidhuber, Jurgen},
booktitle = {International Conference on Machine Learning (ICML)},
pages = {369--376},
year = {2006}
}
@inproceedings{lin2017focal,
title = {Focal Loss for Dense Object Detection},
author = {Lin, Tsung-Yi and Goyal, Priya and Girshick, Ross and He, Kaiming and Dollar, Piotr},
booktitle = {IEEE International Conference on Computer Vision (ICCV)},
pages = {2980--2988},
year = {2017}
}
@inproceedings{hu2022lora,
title = {LoRA: Low-Rank Adaptation of Large Language Models},
author = {Hu, Edward J. and Shen, Yelong and Wallis, Phillip and Allen-Zhu, Zeyuan and Li, Yuanzhi and Wang, Shean and Wang, Lu and Chen, Weizhu},
booktitle = {International Conference on Learning Representations (ICLR)},
year = {2022}
}
@article{guo2025deepseekr1,
title = {DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning},
author = {Guo, Daya and Yang, Dejian and Zhang, Haowei and Song, Junxiao and Zhang, Ruoyu and Xu, Runxin and Zhu, Qihao and Ma, Shirong and others},
journal = {arXiv preprint arXiv:2501.12948},
year = {2025}
}
