Tesseract 5.1 tekstituvastussüsteemi väljaanne

Tesseract 5.1 optiliseeri tuvastamise süsteemi väljaanne on avaldatud, toetades UTF-8 sümbolite tuvastamist ja tekste rohkem kui 100 keeles, sealhulgas vene, kasahhi, valgevene ja ukraina. Tulemused võivad olla salvestatud nii avatud tekstina kui ka HTML (hOCR), ALTO (XML), PDF ja TSV formaatides. Algne süsteem loodi aastatel 1985–1995 Hewlett Packardi laboris, 2005. aastal vabastati kood Apache litsentsi alusel ja edaspidi arendati seda koostöös Google'i töötajatega. Projekti lähtekoodid levivad Apache 2.0 litsentsi all.

Tesseract hõlmab käsurea utiliiti ja libtesseract teeki, et integreerida tekstituvastuse funktsioone teistesse rakendustesse. Tesseracti toetavatest kolmandate osapoolte GUI-dest võib mainida gImageReader, VietOCR ja YAGF. Pakutakse kahte tunnustust: klassikaline, mis tuvastab sümbolite üksikute mustrite tasemel, ja uus, mis põhineb süvaõppe süsteemil, mille aluseks on LSTM rekurentne närvivõrk, mis on optimeeritud terve rida tunnustamiseks ja võimaldab saavutada märkimisväärset täpsuse suurendamist. Koolitatud mudelid on avaldatud 123 keele jaoks. Tõhususe optimeerimiseks on pakkuda mooduleid, mis kasutavad OpenMP ja SIMD-jochtude AVX2, AVX, NEON või SSE4.1.

Tesseract 5.1 peamised täiustused:

• Kuvataks now piltide ja joontega piirkondade töötlemise võimalus formaatides ALTO, hOCR ja tekst.
• Lisa uus parameeter curl_timeout lkz curl_easy_setop.
• Parandatud ehitussüsteem.
• Tehti tööd kasutamata koodi eemaldamiseks.
• Eemaldatud tõrked, mis on põhjustatud vale nullnäidikute töötlemisest klassis PageIterator::Orientation.

Allikas: opennet.ru