OCR历史文本误差画像再探
计算机视觉与模式识别
2017-01-20 v1 数字图书馆
摘要
在缺乏真值的情况下，无法自动确定OCR文本中OCR错误的确切频谱与出现次数。然而，对于OCR历史印刷品的交互式后校正而言，若有一个统计画像可用，其提供带有相关频率的错误类别估计，并指向推测错误与可疑词符，则极为有用。Reffle (2013) 引入的方法结合了词典、模式集与高级匹配技术，在一个专门的期望最大化(EM)过程中计算此类画像。在此我们于三方面改进该方法：首先，Reffle (2013) 的方法不具备适应性：通过实际后校正步骤获得的用户反馈无法用于计算精炼的画像。我们引入该方法的一个变体，其对适应性开放，将用户的校正步骤纳入考虑。这针对错误OCR词符的识别带来了更高的精确率。其次，在后校正过程中常发现新的历史模式。我们表明，将新的历史模式添加到语言背景资源中会带来第二种改进，通过区分历史拼写与OCR错误从而实现甚至更高的精确率。第三，Reffle (2013) 的方法并未主动利用那些在底层信道模型中无法解释的词符。我们表明，将这些不可解释的词符添加到推测错误集合中，可显著提升错误检测的召回率，同时提高精确率。
引用
@article{arxiv.1701.05377,
title = {Profiling of OCR'ed Historical Texts Revisited},
author = {Florian Fink and Klaus-U. Schulz and Uwe Springmann},
journal= {arXiv preprint arXiv:1701.05377},
year = {2017}
}