Full metadata record
DC FieldValueLanguage
dc.contributor.authorMartínek, Jiří
dc.contributor.authorLenc, Ladislav
dc.contributor.authorKrál, Pavel
dc.contributor.authorNicolaou, Anguelos
dc.contributor.authorChristlein, Vincent
dc.date.accessioned2020-03-23T11:00:29Z
dc.date.available2020-03-23T11:00:29Z
dc.date.issued2019
dc.identifier.citationMARTÍNEK, J.., LENC, L.., KRÁL, P.., NICOLAOU, A.., CHRISTLEIN, V.. Hybrid Training Data for Historical Text OCR. In: The 15th IAPR International Conference on Document Analysis and Recognition. Piscataway: IEEE, 2019. s. 565-570. ISBN 978-1-72813-014-9 , ISSN 1520-5363.en
dc.identifier.isbn978-1-72813-014-9
dc.identifier.issn1520-5363
dc.identifier.uri2-s2.0-85079832025
dc.identifier.urihttp://hdl.handle.net/11025/36756
dc.description.abstractSoučasné OCR systémy běžně používají rekurentní neuronové sítě, které jsou schopné zpracovat celé řádky textu. Takovéto systémy nepotřebují metody pro segmentaci znaků. Nevýhodou je potřeba velkého množství anotovaných dat. Toto může být vyřešeno pomocí generování syntetických dat. Naneštěstí takováto data nejsou příliš vhodná pro historické dokumenty, především z důvodu kvality. Tento článek prezentuje hybridní metodu pro generování trénovacích dat pro OCR systém. Nejprve jsou shromážděny obrázky jednotlivých znaků, které jsou posléze využity pro generování celých obrázků řádek. Další přínos článku je v návrhu OCR systému s využitím konvoluční neuronové sítě a sítě LSTM. Nejprve se systém natrénuje pomocí syntetických (hybridních) dat a poté je model vyladěn pomocí anotovaného korpusu. Dále je představena trénovací strategie pro dosažení nejlepších výsledků, které jsou porovnatelné se state of the art.cs
dc.description.abstractCurrent optical character recognition (OCR) systems commonly make use of recurrent neural networks (RNN) that process whole text lines. Such systems avoid the task of character segmentation necessary for character-based approaches. A disadvantage of this approach is a need of a large amount of annotated data. This can be solved by using generated synthetic data instead of costly manually annotated ones. Unfortunately, such data is often not suitable for historical documents particularly for quality reasons. This work presents a hybrid approach for generating annotated data for OCR at a low cost. We first collect a small dataset of isolated characters from historical document images. Then, we generate historical looking text lines from the generated characters. Another contribution lies in the design and implementation of an OCR system based on a convolutional-LSTM network. We first pre-train this system on hybrid data. Afterwards, the network is fine-tuned with real printed text lines. We demonstrate that this training strategy is efficient for obtaining state-of-theart results. We also show that the score of the proposed systém is comparable or even better in comparison to several state-ofthe-art systems.en
dc.format6 s.
dc.format.mimetypeapplication/pdf
dc.language.isoenen
dc.publisherIEEEen
dc.relation.ispartofseriesThe 15th IAPR International Conference on Document Analysis and Recognitionen
dc.rightsPlný text je přístupný v rámci univerzity přihlášeným uživatelům.cs
dc.rights© IEEEen
dc.subjectCNNcs
dc.subjecthybridní trénovánícs
dc.subjecthistorické dokumentycs
dc.subjectLSTMcs
dc.subjectNeuronové sítěcs
dc.subjectOCRcs
dc.titleHybrid Training Data for Historical Text OCRen
dc.title.alternativeHybridní trénovací data pro OCR historických textůcs
dc.typekonferenční příspěvekcs
dc.typeconferenceObjecten
dc.rights.accessrestrictedAccessen
dc.type.versionpublishedVersionen
dc.subject.translatedCNNen
dc.subject.translatedHybrid Trainingen
dc.subject.translatedHistorical Documentsen
dc.subject.translatedLSTMen
dc.subject.translatedNeural Networksen
dc.subject.translatedOCRen
dc.identifier.doi10.1109/ICDAR.2019.00096
dc.type.statusPeer-revieweden
dc.identifier.obd43929224
dc.project.IDSGS-2019-018/Zpracov heterogenn dat a jejich specializovanplikacecs
dc.project.IDEF17_048/0007267/InteCom: VaV inteligentních komponent pokročilých technologií pro plzeňskou metropolitní oblastcs
Appears in Collections:Konferenční příspěvky / Conference papers (NTIS)
Konferenční příspěvky / Conference Papers (KIV)
OBD

Files in This Item:
File SizeFormat 
Lenc a kol. icdar19_paper.pdf349,13 kBAdobe PDFView/Open    Request a copy


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/36756

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

search
navigation
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD