| Title: | HDPA: Historical Document Processing and Analysis Framework |
| Other Titles: | HDPA: Framework pro zpracování a analýzu historických dokumentů |
| Authors: | Lenc, Ladislav Martínek, Jiří Král, Pavel Nicolaou, Anguelos Christlein, Vincent |
| Citation: | LENC, L., MARTÍNEK, J., KRÁL, P., NICOLAOU, A., CHRISTLEIN, V., HDPA: Historical Document Processing and Analysis Framework. Evolving Systems, 2021, roč. 12, č. 1, s. 177-190. ISSN 1868-6478. |
| Issue Date: | 2021 |
| Publisher: | Springer |
| Document type: | postprint postprint |
| URI: | 2-s2.0-85085283956 http://hdl.handle.net/11025/44951 |
| ISSN: | 1868-6478 |
| Keywords: | CNN;analýza dokumentů;Framework;historické dokumenty;LSTM;neuronové sítě;OCR |
| Keywords in different language: | CNN;Document Analysis;Framework, Historical documents;LSTM;Neural networks;OCR |
| Abstract: | V současné době je přístupnost k digitalizovaným historickým dokumentům velmi důležitá k realizaci rychlého a efektivního vyhledávání informací z takovýchto dat. Nejprve je nutné z digitalizovaného obrázku dokumentu extrahovat text pomocí metod optického rozpoznávání znaků (OCR). Některé OCR systémy jsou ale příliš komplikované pro uživatele, případně chybí některé důležité součásti a také nejsou zdarma. Tento článek popisuje komplexní a flexibilní framework pro manipulaci a analýzu historických dokumentů s hlavním zaměřením na OCR. Framework obsahuje osm modulů pro usnadnění tří hlavních úkolů: předzpracování a segmentace obrazu, tvorba dat pro trénování OCR modelů a samotný OCR modul. Tento Framework je volně k dispozici pro nekomerční účely. Framework byl otestován na reálných datech a výsledky ukázaly, že tento systém je účinný a může ušetřit lidskou práci v procesu přípravy anotovaných dat. Kromě toho jsme dosáhli state-of-the-art výsledků v OCR. |
| Abstract in different language: | Nowadays, the accessibility of digitized historical documents is extremely important to facilitate fast and efficient retrieval of historical information and knowledge extraction from such data. To provide such functionality, it is necessary to convert document images into plain text using optical character recognition (OCR). Many OCR related methods and tools have been proposed, however, they are often too complicated for a standard user, some important parts are missing or they are not available in free versions. Therefore, this paper describes a complex and flexible web framework for historical document manipulation and analysis with the main focus on OCR. The framework contains eight modules to facilitate three main tasks: image pre-processing and segmentation, creation of data for OCR model training and the OCR itself. This framework is freely available for non commercial purposes. We have experimentally evaluated this framework on real data and we have shown that this system is efficient and can save human labour in the process of annotated data preparation. Moreover, we have reached state-of-the-art OCR results. |
| Rights: | Plný text není přístupný. Plný text bude přístupný od 01. 04. 2022. © Springer |
| Appears in Collections: | Postprinty / Postprints (NTIS) Postprinty / Postprints (KIV) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| Lenc2020_Article_HDPAHistoricalDocumentProcessi.pdf | 4,33 MB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/44951Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.