挪威国家图书馆萨米文本光学字符识别方法的比较分析
计算与语言
2025-01-14 v1 计算机视觉与模式识别
摘要
光学字符识别（OCR）对于挪威国家图书馆（NLN）的数字化过程至关重要，因为它将扫描文档转换为机器可读文本。然而，对于NLN馆藏中的萨米文档，OCR精度不足。鉴于OCR质量影响下游处理，评估和改进萨米语文本的OCR对于使这些资源可访问是必要的。为满足这一需求，本工作微调并评估了三种成熟的OCR方法——Transkribus、Tesseract和TrOCR——用于转录NLN馆藏中的萨米文本。我们的结果表明，Transkribus和TrOCR在此任务上优于Tesseract，而Tesseract在域外数据集上取得了更优性能。此外，我们表明，微调预训练模型并用机器标注和合成文本图像补充人工标注，即使只有中等数量的人工标注数据，也能为萨米语产生准确的OCR。
引用
@article{arxiv.2501.07300,
title = {Comparative analysis of optical character recognition methods for S\'ami texts from the National Library of Norway},
author = {Tita Enstad and Trond Trosterud and Marie Iversdatter Røsok and Yngvil Beyer and Marie Roald},
journal= {arXiv preprint arXiv:2501.07300},
year = {2025}
}
备注
To be published in Proceedings of the 25th Nordic Conference on Computational Linguistics (NoDaLiDa)