以数字版本作为印刷书籍版面分析的距离监督
计算机视觉与模式识别
2021-12-24 v1
摘要
档案管理员、文本学者和历史学家经常制作历史文献的数字版本。利用文本编码倡议（Text Encoding Initiative）和 EpiDoc 等标注方案，这些数字版本通常不仅转录文本内容包括文献的语义区域（如注释和图）和物理特征（如页码与换行）。我们描述了利用此类语义标注作为距离监督来训练和评估版面分析模型的方法。在 Deutsches Textarchiv（DTA）的五十万页数据上采用多种模型架构进行的实验中，我们发现这些区域级评估方法与像素级和词级指标高度相关。我们讨论了通过自训练提高精度的可能性，以及训练于 DTA 的模型泛化到其他历史印刷书籍的能力。
引用
@article{arxiv.2112.12703,
title = {Digital Editions as Distant Supervision for Layout Analysis of Printed Books},
author = {Alejandro H. Toselli and Si Wu and David A. Smith},
journal= {arXiv preprint arXiv:2112.12703},
year = {2021}
}
备注
15 pages, 2 figures. International Conference on Document Analysis and Recognition. Springer, Cham, 2021