Oct, 2018

使用开源引擎的 19 世纪 Fraktur 字体的最新光学字符识别技术

PDF
TL;DR本文介绍了一种使用混合模型的方法对 19 世纪 Fraktur 手写体进行 OCR，采用真实的数据训练混合模型的 OCR 引擎 Calamari 相较于 OCRopus、Tesseract 和 ABBYY 等其他引擎表现更佳，字符错误率平均降低超过 70％，平均字符错误率低于 1％。
发现论文，激发创造
  • 利用可用的光学字符识别引擎增强处理旧的库尔德出版物

    该研究致力于处理库尔德历史出版物，采用 Google 的免费 OCR 框架 Tesseract 5.0，使用自行创建的历史文档数据集进行训练，开发了一个提取文本的网页应用，同时也面临了公共数据集缺乏和字符、词之间不对齐的挑战。

    Apr, 2024

  • 结合 OCR 模型阅读早期印刷书籍

    该论文研究了使用精细字体识别技术对 15 至 18 世纪印刷书籍进行 OCR 的方法。作者们使用了一个新的数据集，其中包含了早期印刷书籍的 OCR 信息，并标记了每个字体的边界框。研究结果表明，字体风格对 OCR 性能有很大影响，所选模型的精细程度对结果也有积极影响。此外，作者们开发了一个本地字体组识别系统，可以在识别多种字体的文本行时取得更好的识别效果。

    May, 2023

  • 深度学习技术实现高效无词典 OCR

    本文提出一种无分割 OCR 系统，该系统将深度学习方法、数据增强方法和合成训练数据结合起来，使用大型文本语料库和 2000 多种字体渲染合成训练数据，并通过几何失真和提出的 alpha-compositing 数据增强技术模拟复杂的自然环境，并采用 CNN 编码器以提取文本图像特征，检验了序列模型与卷积模型在模拟输入元素交互方面的能力。

    Jun, 2019

  • 运用结合机器学习的方法提高 19 世纪历史文献中的 OCR 质量

    该论文利用机器学习模型针对历史研究的挑战进行研究，旨在提高 OCR 质量和识别数据结构的准确度。

    Jan, 2024

  • TrOCR: 基于 Transformer 的带预训练模型的光学字符识别

    本文提出了一种名为 TrOCR 的端到端文本识别方法，其中使用了预训练的图像 Transformer 和文本 Transformer 模型，不仅适用于印刷体和手写体，还适用于场景文本识别任务，并在准确率方面优于当前最先进的模型。

    Sep, 2021

  • 利用印刻梵文的 OCR 进行后 OCR 文本校正

    针对罗马化梵文文本数字化的后 OCR 文本纠正方法，使用其他罗马字母语言的 OCR 模型进行训练，通过合成数据生成来训练模型，并使用一种复制机制来提高字符识别率。实验结果表明，该模型在解决单调序列 - 序列任务方面比当前最先进的模型结果提高了 7.69%，能够有效地减少 OCR 产生的错误。此外，该模型的预测结果可被人类更快地理解和改进。

    Sep, 2018

  • 开源阿拉伯文字光学字符识别的进展与限制：以案例研究为例

    这篇研究论文主要探讨了开源 OCR 引擎 Kraken 在阿拉伯文学期刊 al-Abhath 上的准确性研究。通过与其他商业 OCR 引擎的对比，研究表明 Kraken 能够产生高度精确的阿拉伯文 OCR。论文还评估了具有特定字体和通用模型在 al-Abhath 数据上的相对准确性，并对 OCR 错误识别的上下文特征进行了微观分析。基于这些分析，论文提出了通过更系统的培训数据生成方法和开发关键技术组件（尤其是多语言模型、改进的行分割和布局分析）来显著提高阿拉伯文 OCR 的观点。

    Feb, 2024

  • 构建多元数字历史的高效 OCR

    通过对 OCR 进行字符级图像检索建模，解决了现有体系结构在低资源情况下无法准确识别光学字符识别问题的不足，并为社区参与使数字历史更具代表性开辟了新的途径。

    Apr, 2023

  • 基于 Transformer 的历史文献手写识别

    本文 比较了 TrOCR 框架和 SOTA HTR 框架（Transkribus） 用于 对历史手稿的识别，发现 TrOCR 表示出类似或更好的性能且少量训练即可在英语以外的其他基于拉丁字母的语种上进行迁移学习。

    Mar, 2022

  • 神经光学字符识别历史文献后处理校正

    本研究提出了一种基于循环神经网络和卷积神经网络的光学字符识别错误自动纠正方法，针对历史藏书文献的 OCR 后置处理，以很高的效率在德语历史图书文献语料库中降低了字符误差率 32.3％以上。

    Feb, 2021