ປ່ອຍ Tesseract 5.2 ລະບົບການຮັບຮູ້ຂໍ້ຄວາມ

ການປ່ອຍລະບົບການຮັບຮູ້ຂໍ້ຄວາມທາງແສງ Tesseract 5.2 ໄດ້ຖືກຈັດພີມມາ, ສະຫນັບສະຫນູນການຮັບຮູ້ຕົວອັກສອນ UTF-8 ແລະຂໍ້ຄວາມໃນຫຼາຍກວ່າ 100 ພາສາ, ລວມທັງພາສາລັດເຊຍ, ຄາຊັກ, ເບລາຣູດແລະອູແກຣນ. ຜົນໄດ້ຮັບສາມາດຖືກບັນທຶກໄວ້ໃນຂໍ້ຄວາມທໍາມະດາຫຼືໃນຮູບແບບ HTML (hOCR), ALTO (XML), PDF ແລະ TSV. ລະບົບໄດ້ຖືກສ້າງຂື້ນໃນເບື້ອງຕົ້ນໃນປີ 1985-1995 ໃນຫ້ອງທົດລອງ Hewlett Packard; ໃນປີ 2005, ລະຫັດໄດ້ຖືກເປີດພາຍໃຕ້ໃບອະນຸຍາດ Apache ແລະໄດ້ຮັບການພັດທະນາຕື່ມອີກດ້ວຍການມີສ່ວນຮ່ວມຂອງພະນັກງານຂອງ Google. ລະຫັດແຫຼ່ງຂອງໂຄງການແມ່ນແຈກຢາຍພາຍໃຕ້ໃບອະນຸຍາດ Apache 2.0.

Tesseract ປະກອບມີຜົນປະໂຫຍດຂອງ console ແລະຫ້ອງສະຫມຸດ libtesseract ສໍາລັບການຝັງຟັງຊັນ OCR ເຂົ້າໄປໃນແອັບພລິເຄຊັນອື່ນໆ. ການໂຕ້ຕອບ GUI ພາກສ່ວນທີສາມທີ່ສະຫນັບສະຫນູນ Tesseract ປະກອບມີ gImageReader, VietOCR ແລະ YAGF. ເຄື່ອງຈັກການຮັບຮູ້ສອງແມ່ນໄດ້ຖືກສະເຫນີ: ແບບຄລາສສິກທີ່ຮັບຮູ້ຂໍ້ຄວາມໃນລະດັບຂອງຮູບແບບຕົວອັກສອນສ່ວນບຸກຄົນ, ແລະອັນໃຫມ່ໂດຍອີງໃສ່ການນໍາໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍອີງໃສ່ເຄືອຂ່າຍ neural recurrent LSTM, ເຫມາະສໍາລັບການຮັບຮູ້ສາຍທັງຫມົດແລະອະນຸຍາດໃຫ້ສໍາລັບການ. ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນຄວາມຖືກຕ້ອງ. ຮູບແບບການຝຶກອົບຮົມທີ່ກຽມພ້ອມໄດ້ຖືກຈັດພີມມາສໍາລັບ 123 ພາສາ. ເພື່ອເພີ່ມປະສິດທິພາບການປະຕິບັດ, ໂມດູນທີ່ໃຊ້ຄໍາແນະນໍາ OpenMP ແລະ SIMD AVX2, AVX, AVX512F, NEON ຫຼື SSE4.1 ແມ່ນສະເຫນີ.

ການປັບປຸງທີ່ສໍາຄັນໃນ Tesseract 5.2:

• ເພີ່ມການເພີ່ມປະສິດທິພາບທີ່ປະຕິບັດໂດຍໃຊ້ຄໍາແນະນໍາ Intel AVX512F.
• C API ປະຕິບັດຫນ້າທີ່ເພື່ອເລີ່ມຕົ້ນ tesseract ດ້ວຍການໂຫຼດຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຈາກຫນ່ວຍຄວາມຈໍາ.
• ເພີ່ມພາລາມິເຕີ invert_threshold, ເຊິ່ງກໍານົດລະດັບຂອງ inversion ຂອງສາຍຂໍ້ຄວາມ. ຄ່າເລີ່ມຕົ້ນແມ່ນ 0.7. ເພື່ອປິດການປີ້ນ, ຕັ້ງຄ່າເປັນ 0.
• ປັບປຸງການປະມວນຜົນເອກະສານຂະໜາດໃຫຍ່ຫຼາຍໃນໂຮສ 32-bit.
• ການຫັນປ່ຽນໄດ້ມາຈາກການໃຊ້ຟັງຊັນ std::regex ໄປ std::string.
• ປັບປຸງການສ້າງສະຄຣິບສໍາລັບ Autotools, CMake ແລະລະບົບການເຊື່ອມໂຍງຢ່າງຕໍ່ເນື່ອງ.

  ແຫຼ່ງຂໍ້ມູນ: opennet.ru