升级利用你的 OCR：在罗马化梵文中复用 OCR 进行 OCR 后文本校正
计算与语言
2018-09-10 v1
摘要
我们提出了一种用于罗马化梵文文本数字化的 OCR 后文本校正方法。由于缺乏资源，我们的方法使用了为其他以罗马字母书写的语言训练的 OCR 模型。目前尚无可用于罗马化梵文 OCR 的数据集。因此，我们引导构建了一个包含 430 张图像的数据集，这些图像在两种不同设置下扫描，并附有相应的真实标注。对于训练，我们为两种设置合成生成训练图像。我们发现，使用复制机制（Gu et al., 2016）相比当前解决单调序列到序列任务的最优模型（Schnober et al., 2016）在字符识别率（CRR）上带来了 7.69% 的提升。我们发现我们的系统能稳健地对抗易发生于 OCR 的错误，因为在其中一种数据集设置下，它从 CRR 为 35.76% 的 OCR 输出中获得了 87.01% 的 CRR。在模型上开展的人类判断调查显示，我们提出的模型所产生的预测，相比其他系统，人类理解更快、改进也更快。
引用
@article{arxiv.1809.02147,
title = {Upcycle Your OCR: Reusing OCRs for Post-OCR Text Correction in Romanised Sanskrit},
author = {Amrith Krishna and Bodhisattwa Prasad Majumder and Rajesh Shreedhar Bhat and Pawan Goyal},
journal= {arXiv preprint arXiv:1809.02147},
year = {2018}
}
备注
This paper has been accepted as a full paper in the SIGNLL Conference on Computational Natural Language Learning (CoNLL), 2018. The code, data and the supplementary material is available at https://github.com/majumderb/sanskrit-ocr