19 世纪古典注释的光学字符识别：现状
数字图书馆
2021-10-14 v1 计算机视觉与模式识别
摘要
与校勘本和译本一起，注释是文学与文本学术中的主要出版类型之一，并拥有长达数个世纪的传统。然而，数千部数字化的历史注释的利用迄今受到光学字符识别（OCR）质量低下的阻碍，尤其是对希腊文注释而言。在本文中，我们评估了两条适用于历史古典注释 OCR 的流水线性能。我们的结果表明，在含有高密度多调希腊文文本的注释部分，Kraken + Ciaconna 达到的字符错误率（CER）显著低于 Tesseract/OCR-D（平均 CER 7% 对 13%），而在主要以拉丁文字书写的文本部分，Tesseract/OCR-D 比 Kraken + Ciaconna 略为准确（平均 CER 8.2% 对 8.4%）。作为本文的一部分，我们还发布了 GT4HistComment（一个带有 19 部古典注释 OCR 真值的小数据集）和 Pogretra（一个包含多种古希腊字体训练数据与预训练模型的大型集合）。
引用
@article{arxiv.2110.06817,
title = {Optical Character Recognition of 19th Century Classical Commentaries: the Current State of Affairs},
author = {Matteo Romanello and Sven Najem-Meyer and Bruce Robertson},
journal= {arXiv preprint arXiv:2110.06817},
year = {2021}
}