Title: | Semantic Segmentation of Historical Documents via Fully-Convolutional Neural Network |
Other Titles: | Semantická segmentace historických dokumentů pomocí plně-konvolučních neuronových sítí |
Authors: | Gruber, Ivan Hlaváč, Miroslav Hrúz, Marek Železný, Miloš |
Citation: | 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 Semantic Segmentation of Historical Documents via Fully-Convolutional Neural Network.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. |
Issue Date: | 2019 |
Publisher: | Springer |
Document type: | konferenční příspěvek conferenceObject |
URI: | 2-s2.0-85071504871 http://hdl.handle.net/11025/36618 |
ISBN: | 978-3-030-26060-6 |
ISSN: | 0302-9743 |
Keywords: | rozpoznávání znaků, segmentace, OCR, strojové učení, generování obrázků, počítačové vidění |
Keywords in different language: | character recognition, segmentation, OCR, mechine learning, generating images, computer vision |
Abstract: | 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. |
Abstract in different language: | 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. |
Rights: | Plný text není přístupný. © Springer |
Appears in Collections: | Konferenční příspěvky / Conference Papers (KKY) OBD |
Files in This Item:
File | Size | Format | |
---|---|---|---|
Gruber2019_Chapter_SemanticSegmentationOfHistoric.pdf | 422,66 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/36618
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.