ປ່ອຍ Tesseract 4.1 ລະບົບການຮັບຮູ້ຂໍ້ຄວາມ

ກະກຽມ ການປ່ອຍລະບົບການຮັບຮູ້ຂໍ້ຄວາມ optical Tesseract 4.1, ສະ​ຫນັບ​ສະ​ຫນູນ​ການ​ຮັບ​ຮູ້​ຂອງ UTF​-8 ລັກ​ສະ​ນະ​ແລະ​ບົດ​ເລື່ອງ​ໃນ​ຫຼາຍ​ກ​່​ວາ 100 ພາ​ສາ​, ລວມ​ທັງ​ລັດ​ເຊຍ​, Kazakh​, ເບ​ລາ​ລຸດ​ຊີ​ແລະ​ອູ​ແກຣນ​. ຜົນໄດ້ຮັບສາມາດຖືກບັນທຶກໄວ້ໃນຂໍ້ຄວາມທໍາມະດາຫຼືໃນຮູບແບບ HTML (hOCR), ALTO (XML), PDF ແລະ TSV. ລະບົບດັ່ງກ່າວໄດ້ຖືກສ້າງຂື້ນໃນເບື້ອງຕົ້ນໃນປີ 1985-1995 ໃນຫ້ອງທົດລອງ Hewlett Packard; ແຫຼ່ງໂຄງການ ແຜ່​ກະ​ຈາຍ​ເຊື້ອ ອະນຸຍາດພາຍໃຕ້ Apache 2.0.

Tesseract ປະກອບມີຜົນປະໂຫຍດຂອງ console ແລະຫ້ອງສະຫມຸດ libtesseract ສໍາລັບການຝັງຟັງຊັນ OCR ເຂົ້າໄປໃນແອັບພລິເຄຊັນອື່ນໆ. ຈາກພາກສ່ວນທີສາມທີ່ສະຫນັບສະຫນູນ Tesseract ການໂຕ້ຕອບ GUI ທ່ານສາມາດສັງເກດ gImageReader, VietOCR и YAGF. ເຄື່ອງຈັກການຮັບຮູ້ສອງແມ່ນໄດ້ຖືກສະເຫນີ: ແບບຄລາສສິກທີ່ຮັບຮູ້ຂໍ້ຄວາມໃນລະດັບຂອງຮູບແບບຕົວອັກສອນສ່ວນບຸກຄົນ, ແລະອັນໃຫມ່ໂດຍອີງໃສ່ການນໍາໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍອີງໃສ່ເຄືອຂ່າຍ neural recurrent LSTM, ເຫມາະສໍາລັບການຮັບຮູ້ສາຍທັງຫມົດແລະອະນຸຍາດໃຫ້ສໍາລັບການ. ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນຄວາມຖືກຕ້ອງ. ແບບຈໍາລອງທີ່ສໍາເລັດການຝຶກອົບຮົມໄດ້ຖືກຈັດພີມມາສໍາລັບ 123 ພາສາ. ເພື່ອເພີ່ມປະສິດຕິພາບ, ໂມດູນທີ່ໃຊ້ OpenMP ແລະ AVX2, AVX ຫຼື SSE4.1 SIMD ແນະນໍາ.

ຕົ້ນ​ຕໍ ການປັບປຸງ ໃນ Tesseract 4.1:

• ເພີ່ມຄວາມສາມາດໃນການອອກໃນຮູບແບບ XML ALTO (ການ​ວິ​ເຄາະ​ໂຄງ​ຮ່າງ​ແລະ​ວັດ​ຖຸ​ຂໍ້​ຄວາມ​)​. ການ​ນໍາ​ໃຊ້​ຮູບ​ແບບ​ນີ້​, ທ່ານ​ຄວນ​ຈະ​ດໍາ​ເນີນ​ການ​ຄໍາ​ຮ້ອງ​ສະ​ຫມັກ​ເປັນ "tessaract image_name alto output_dir​"​;
• ເພີ່ມໂມດູນການສະແດງຜົນໃຫມ່ LSTMBox ແລະ WordStrBox, ເຮັດໃຫ້ການຝຶກອົບຮົມເຄື່ອງຈັກງ່າຍຂຶ້ນ;
• ເພີ່ມການສະຫນັບສະຫນູນສໍາລັບ pseudographics ໃນ hOCR (HTML) ຜົນຜະລິດ;
• ເພີ່ມສະຄິບທາງເລືອກທີ່ຂຽນໃນ Python ສໍາລັບການຝຶກອົບຮົມເຄື່ອງຈັກໂດຍອີງໃສ່ການຮຽນຮູ້ເຄື່ອງຈັກ;
• ຂະຫຍາຍການເພີ່ມປະສິດທິພາບໂດຍໃຊ້ຄໍາແນະນໍາ AVX, AVX2 ແລະ SSE;
• ການສະຫນັບສະຫນູນ OpenMP ຖືກປິດໃຊ້ງານໂດຍຄ່າເລີ່ມຕົ້ນເນື່ອງຈາກ ບັນຫາ ກັບຜົນຜະລິດ;
• ເພີ່ມການສະຫນັບສະຫນູນສໍາລັບບັນຊີລາຍຊື່ສີຂາວແລະສີດໍາໃນເຄື່ອງຈັກ LSTM;
• ປັບປຸງການສ້າງສະຄຣິບໂດຍອີງໃສ່ Cmake.

ແຫຼ່ງຂໍ້ມູນ: opennet.ru