返回
Modular OCR Using Web Scraping Data
DOI:10.1007/978-3-032-09371-4_12.png)
摘要
En 中文
本文探讨了传统(模块化)光学字符识别(OCR)流水线与大型视觉语言模型(LVLMs)的有效性对比,特别是在鲁棒性、准确性和资源效率方面。我们提出利用网络生成的数据集来训练OCR系统,强调网络内容提供的丰富布局多样性、风格和语言变体。我们的方法表明,通过智能增强的网络爬取可以生成多样化的OCR训练数据集用于训练模块化OCR。获取网站截图用于模块化OCR训练尚未被探索,且需要精确的单词定位来训练单词检测模型。这与许多LVLMs不同,后者大多采用端到端训练以提取完整文本。实验评估表明,尽管我们是在面向开发者的设计网站模板而非真实公共网站上训练了OCR流水线,我们仍取得了与当前最优LVLM基模型相当甚至更优的结果,并在嘈杂和扭曲场景中表现更优,同时训练和推理所需的计算资源更少。这些发现强调了模块化OCR系统在多样化和资源受限环境中的持久相关性。尽管LVLMs在处理多样化和通用任务方面具有优势,但在OCR任务中其使用并非必要,模块化流水线在效率和性能方面表现更佳。
Keyword:
Optical Character Recognition (OCR)
Large Vision Language Model (LVLM)
Word detection
Word recognition
Web-based data generation
期刊
D
IF:
0
论文数:
22
被引数:
1

