.png){kind=icon}
返回
Enhancing OCR in historical documents with complex layouts through machine learning
.png){kind=icon}
OA
AI
DOI：10.1007/s00799-025-00413-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
本文探讨了处理和提取19世纪大量印刷连续出版物信息的挑战，这些信息由于现有提取技术的不足而未被充分利用。我们聚焦于哈布斯堡中欧的Hof- und Staatsschematismus，这是一份1702年至1918年间出版的综合性记录，记录了哈布斯堡文官体系的层级结构及其两个世纪的中央行政演变。我们的方法在OCR处理前对机器学习驱动的版面检测进行了大量投入。我们生成了模拟Hof- und Staatsschematismus风格的合成数据，用于初始训练Faster R-CNN模型，随后使用较小的人工标注历史文档数据集对模型进行微调。随后，我们针对我们的文档风格优化了Tesseract-OCR，以增强结合的结构提取和OCR过程。我们的评估表明，OCR性能指标（WER和CER）得到显著改善，结合结构检测和微调OCR的过程使CER误差率降低了15.68个百分点，WER误差率降低了19.95个百分点。这些发现强调了机器学习技术在促进历史文档提取和分析方面的潜力。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息