本文提出了一种基于编码器-解码器网络的数学公式识别方法，通过加入语法规则和树遍历过程，减轻了结构预测误差。实验结果表明，该方法在三个基准数据集上的识别性能优于现有方法。作者还创建了一个包含10万个手写数学表达式图像的大规模数据集，并公开了源代码、新数据集和预训练模型。

本文提出了一种基于编码器-解码器网络的数学公式识别方法，通过加入语法规则和树遍历过程，减轻了结构预测误差。实验结果表明，该方法在三个基准数据集上取得了更好的识别性能。作者还创建了一个包含10万个手写数学表达式图像的大规模数据集，并公开了源代码、新数据集和预训练模型。

本文提出了一种基于编码器-解码器网络的数学公式识别方法，通过加入语法规则和树遍历过程，减轻了结构预测误差。实验结果表明，该方法在三个基准数据集上的识别性能更好。作者还创建了一个包含10万个手写数学表达式图像的大规模数据集，并公开了源代码、新数据集和预训练模型。

本文提出了一种基于编码器-解码器网络的数学公式识别方法，通过加入语法规则和树遍历过程，减轻了数学公式识别中的结构预测误差。实验结果表明，该方法在三个基准数据集上取得了更好的识别性能。作者还创建了一个包含10万个手写数学表达式图像的大规模数据集，并公开了源代码、新数据集和预训练模型。