| Název: | Semantic Segmentation of Historical Documents via Fully-Convolutional Neural Network |
| Další názvy: | Semantická segmentace historických dokumentů pomocí plně-konvolučních neuronových sítí |
| Autoři: | Gruber, Ivan Hlaváč, Miroslav Hrúz, Marek Železný, Miloš |
| Citace zdrojového dokumentu: | GRUBER, I.., HLAVÁČ, M.., HRÚZ, M.., ŽELEZNÝ, M.. Semantic Segmentation of Historical Documents via Fully-Convolutional Neural Network. In Speech and Computer, 21st International Conference, SPECOM 2019, Istanbul, turkey, August 20-25,2019, Proceedings. Cham: Springer, 2019. s. 142-149. ISBN 978-3-030-26060-6 , ISSN 0302-9743. |
| Datum vydání: | 2019 |
| Nakladatel: | Springer |
| Typ dokumentu: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85071504871 http://hdl.handle.net/11025/36618 |
| ISBN: | 978-3-030-26060-6 |
| ISSN: | 0302-9743 |
| Klíčová slova: | rozpoznávání znaků, segmentace, OCR, strojové učení, generování obrázků, počítačové vidění |
| Klíčová slova v dalším jazyce: | character recognition, segmentation, OCR, mechine learning, generating images, computer vision |
| Abstrakt: | Tento článek prezentuje metodu semantické segmentace znaků ve full-textových dokumentů z období poválečného Československa. Naneštěstí, standardní OCR algoritmy mají problémy s přesným čtením těchto dokumentů vzhledem k jejich zašumění. Z tohoto důvodu jsme se rozhodli vyvinout metodu, která by zlepšila tyto nespokojivé výsledky. Náš přístup, inspirován U-Net architekturou, je založen na plně-konvolučních neuronových sítích. Využíváme generátor syntetických obrázků pro získání trénovacího setu pro naši metodu. Dosáhli jsme přesnosti rozpoznávání 99.53% pro tato syntetická data. Pro reálná data jsou poskytnuty kvalitativní výsledky. |
| Abstrakt v dalším jazyce: | This paper presents a method for character semantic segmentation in full-text documents from post World War II Czechoslovakia. Unfortunately, standard optical character recognition algorithms have problems to accurately read these documents due to their noisy nature. Therefore we were looking for some ways to improve these unsatisfactory results. Our approach is based on fully-convolutional neural network inspired by U-Net architecture. We are utilizing a synthetic image generator for obtaining a training set for our method. We reached 99.53% recognition accuracy for synthetic data. For real data, we are providing qualitative results. |
| Práva: | Plný text není přístupný. © Springer |
| Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference Papers (KKY) OBD |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| Gruber2019_Chapter_SemanticSegmentationOfHistoric.pdf | 422,66 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/36618Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.