Jun, 2024

CORU: 全面的后光学字符识别解析与收据理解数据集

PDF
TL;DR这篇论文介绍了一种新颖的数据集 CORU，旨在增强 OCR 和信息提取技术在多语言环境中处理阿拉伯语和英语收据的能力，并评估传统方法和基于神经网络的方法在 CORU 上的性能。
optical character recognitionnatural language processingmultilingual capabilitiesreceipt understanding datasetinformation extraction
发现论文，激发创造
  • AMuRD：跨语言键信息提取与分类的注释多语种收据数据集

    本文介绍了一种用于收据提取的新颖多语言数据集，解决了信息提取和项目分类中的关键挑战，并介绍了 InstructLLaMA 方法，在关键信息提取和项目分类方面实现了 0.76 的 F1 分数和 0.68 的准确性。

    Sep, 2023

  • UTRNet: 印刷文件中的高分辨率乌尔都文本识别

    本文提出了一种新方法来解决印地语文本识别的挑战，提出了 UTRNet 结构，并介绍了两个大规模数据集 UTRSet-Real 和 UTRSet-Synth 以及 UrduDoc 数据集，最终实现了与其他 OCR 技术相比较优异的效果。

    Jun, 2023

  • ICDAR2019 扫描收据 OCR 和信息提取竞赛

    本文介绍了通过 ICDAR 2019 比赛推广的扫描收据 OCR 和关键信息提取（SROIE）技术，它可以从扫描的收据中提取出关键信息并将其保存为结构化文档，以用于多种商业应用，但该领域中已发表的研究工作和进展非常少。

    Mar, 2021

  • 扩展 TrOCR 实现全页扫描收据图像的文本免定位 OCR

    本研究提出了一个基于 Transformer 的 OCR 模型，用于提取收据图像中的字符序列，无需定位文本。该模型能够在不需要额外处理的情况下，将整个收据图像中的字符识别准确，并按阅读顺序排列。

    Dec, 2022

  • 一种基于 Transformer 模型的端到端 OCR 框架，用于识别具有变音符的大规模古典阿拉伯文多字体语料库的手写体 Arabic 识别

    本文介绍了针对阿拉伯历史文献的光学字符识别技术的研究，提出了一种端到端文本识别方法 BEIT，并通过实验比较证明，该方法优于卷积神经网络的特征提取方法，达到了 4.46% 的识别准确率。

    Aug, 2022

  • 细粒度谏言单元识别和分类

    本文提出了 Argument Unit Recognition and Classification (AURC) 任务，通过 fine-grained sequence labeling 的方法识别不同来源中的 argument，并通过众包的方式进行标注，得到了 AURC-8 数据集，并发现相较于基于句子级别的标注方法，使用本文标注方法能够增加 15% 的 argument 数量。作者提出的方法比以往的方法更加鲁棒，并公开了代码和 AURC-8 数据集。

    Apr, 2019

  • Unitail: 零售场景下的检测、阅读和匹配

    介绍了 United Retail 数据集（Unitail），该数据集可用于检测、阅读和匹配产品，并提供了产品检测器和基于 OCR 的匹配方案。

    Apr, 2022

  • 朝着更干净的面向文档的多语言爬行语料库

    本文介绍了通过对现有的多语言网页语料库 OSCAR 进行自动注解和改进，以获得更适合于预训练大型生成语言模型的新版本的方法。

    Jan, 2022

  • UPOCR：面向统一像素级 OCR 接口

    提出了一种名为 UPOCR 的简单而有效的通用模型，用于统一的像素级光学字符识别接口，通过图像转化和基于视觉 Transformer 的编码器 - 解码器结构统一了多样的 OCR 任务的范式，并引入可学习的任务提示使解码器具有任务感知性，在三个像素级 OCR 任务上的实验结果显示，该方法可以在一个统一的模型上同时实现三个任务的最先进性能，为未来关于通用 OCR 模型的研究提供了有价值的策略和见解。

    Dec, 2023

  • 基于 CTC 模型的印度语言 OCR 的实证研究

    该论文研究了用 CTC 建立神经网络模型的方法，将 13 种印度语言的文字识别单位定为行或单词，使用合成数据训练模型，对比公共 OCR 工具，提出了新的公共数据集 Mozhi，实现了在印度语言中进行单词和行识别的 OCR。

    May, 2022