|
|
|
 |
|
|
|
|
|
|
一種多模型融合的中文古籍OCR後處理方法=A Post-OCR Method of Multi-Model Ensemble for Chinese Ancient Scriptures |
|
|
|
| 著者 |
釋賢度 (著)=Shih, Hsien-du (au.)
|
|---|
| 掲載誌 |
數位典藏與數位人文=Journal of Digital Archives and Digital Humanities
|
|---|
| 巻号 | n.11 |
|---|
| 出版年月日 | 2023.04 |
|---|
| ページ | 83 - 104 |
|---|
| 出版者 | 臺灣數位人文學會 |
|---|
| 出版サイト |
https://tadh.org.tw/
|
|---|
| 出版地 | 臺北市, 臺灣 [Taipei shih, Taiwan] |
|---|
| 資料の種類 | 期刊論文=Journal Article |
|---|
| 言語 | 中文=Chinese |
|---|
| キーワード | post-OCR; 古籍=Ancient Scriptures; 模型融合=model ensemble; 版面分析=layout analysis; 深度學習=deep learning |
|---|
| 抄録 | 本文提出一種多模型融合的OCR後處理方法，採用獨特的版面分析和對齊算法，整合了整頁檢測模型、字識別模型、列識別模型與語言預訓練模型等深度學習模型，實現了超越單一模型的效果。全文錯誤率達到1.64%，僅為單一模型平均錯誤率的23%。在各類常規古籍版式場景中，該方法具有較好的泛用性。
This paper proposes a post-OCR method of multi-model ensemble, which uses a unique layout analysis and alignment algorithms, and integrate different types of deep learning models, such as the full-page character detection model, character recognition model, line recognition model and language pre-training model, and achieves effects beyond a single model. The full-text error rate reaches 1.64%, which is only 23% of the average error rate of a single model. In various conventional ancient book layout scenarios, this method has good generalization. |
|---|
| 目次 | 壹、背景 84
貳、原理 87
一、圖片檢測 88
二、字識別 89
三、版面分析 89
四、列識別 91
五、字列融合 91
六、語義預測 92
七、語義校正 92
參、實驗 93
肆、分析 95
伍、結論 96
參考文獻 97
|
|---|
| ISSN | 26165732 (E) |
|---|
| DOI | https://www.airitilibrary.com/Common/Click_DOI?DOI=10.6853/DADH.202304_(11).0002 |
|---|
| ヒット数 | 166 |
|---|
| 作成日 | 2023.10.18 |
|---|
| 更新日期 | 2023.10.23 |
|---|
 |
Chrome, Firefox, Safari(Mac)での検索をお勧めします。ＩＥではこの検索システムを表示できません。
|
|
|
