proiektua Testuak ezagutzeko sistema optiko berri bat garatzen ari da, 40 hizkuntza baino gehiago onartzen dituena, ingelesa, alemana, frantsesa, japoniera, txinera, koreera, uzbekera, azerbaijanera eta lituaniera barne. Zirilikoan oinarritutako hizkuntzak oraindik ez dira onartzen, baina planen zerrendara gehitzen ari dira. Kodea Python-en idazten da markoa erabiliz ΠΈ Apache 2.0 lizentziapean. Kargatzeko latindar alfabetoan eta hieroglifoetan oinarritutako hizkuntzetarako prest dauden ereduak.
Makina ikasteko metodoak erabiltzen dira irudi bateko testua identifikatzeko eta ezagutzeko. Ikaskuntza automatikoko algoritmo bat erabiltzen da testua identifikatzeko (Caracter-Region Awareness For Text) urtean PyTorch-entzat, objektu arbitrarioen testua nabarmentzeko gai dena, etiketak, informazio seinaleak eta bide seinaleak barne. Sare neuronal errekurrente konboluzionala erabiltzen da karaktere-sekuentziak ezagutzeko (Convolutional Recurrent Neural Network, DCNN eta RNN konbinazio bat) eta algoritmoa CTC BeamSearch (Connectionist Temporal Classification) sare neuronalaren irteera testu irudikapenean deskodetzeko.
Iturria: opennet.ru