混合光栅与矢量 PDF 的图形及图注提取：基于 OCR 特征的天文文献数字化
天体物理仪器与方法
2022-09-13 v1 数字图书馆
摘要
在 1990 年代末数字化时代之前发表的科学文章包含“被困”在其扫描页面中的图形。尽管在提取图形及其图注方面已取得进展，但目前尚无稳健的方法用于此过程。我们提出了一种基于 YOLO 的方法，用于扫描页面、光学字符识别（OCR）之后，其同时使用灰度图和 OCR 特征。当应用于天体物理数据系统（ADS）的天体物理学文献馆藏时，我们发现图形（图注）的 F1 分数分别为 90.9%（92.2%），交并比（IOU）截断为 0.9，这相比其他最先进的方法有显著改进。
引用
@article{arxiv.2209.04460,
title = {Figure and Figure Caption Extraction for Mixed Raster and Vector PDFs: Digitization of Astronomical Literature with OCR Features},
author = {J. P. Naiman and Peter K. G. Williams and Alyssa Goodman},
journal= {arXiv preprint arXiv:2209.04460},
year = {2022}
}
备注
16 pages, 3 figures, accepted to TPDL 2022