Апублікаваны рэліз сістэмы аптычнага распазнання тэксту Tesseract 5.3.4, якая падтрымлівае распазнаванне сімвалаў UTF-8 і тэкстаў на больш чым 100 мовах, уключаючы рускую, казахскую, беларускую і ўкраінскую. Вынік можа захоўвацца як адчыненым тэкстам, так і ў фарматах HTML (hOCR), ALTO (XML), PDF і TSV. Першапачаткова сістэма была створана ў 1985-1995 гадах у лабараторыі кампаніі Hewlett Packard, у 2005 годзе код быў адчынены пад ліцэнзіяй Apache і ў далейшым развіваўся пры ўдзеле працаўнікоў кампаніі Google. Зыходныя тэксты праекту распаўсюджваюцца пад ліцэнзіяй Apache 2.0.
Tesseract уключае ў сябе кансольную ўтыліту і бібліятэку libtesseract для ўбудавання функцый распазнання тэксту ў іншыя прыкладанні. З якія падтрымліваюць Tesseract іншых GUI-інтэрфейсаў можна адзначыць gImageReader, VietOCR і YAGF. Прапануецца два рухавічкі распазнання: класічны, які распазнае тэкст на ўзроўні шаблонаў асобных знакаў, і новы, які базуецца на ўжыванні сістэмы машыннага навучання на базе рэкурэнтнай нейронавай сеткі LSTM, аптымізаванай для распазнання цалкам радкоў і якая дазваляе дамагчыся істотнага павелічэння дакладнасці. Гатовыя натрэніраваныя мадэлі апублікаваны для 123 моў. Для аптымізацыі прадукцыйнасці прапануюцца модулі, якія выкарыстоўваюць OpenMP і SIMD-інструкцый AVX2, AVX, AVX512F, NEON ці SSE4.1.
Асноўныя паляпшэнні:
- Палепшана распазнанне выяваў па URL з загрузкай файла пры дапамозе бібліятэкі libcurl. Пры загрузцы забяспечана выстаўленне загалоўка User-Agent. Дададзены новы параметр curl_cookiefile для выкарыстання файла з Cookie.
- У серверы ScrollView у якасці прыярытэтнага пратакола задзейнічаны TCP.
- Пры выкарыстанні каманды "combine_tessdata -d" забяспечаны выснова ў струмень stdout замест stderr.
- Ухілены праблемы са зборкай пры выкарыстанні autoconf і clang.
Крыніца: opennet.ru