ടെക്സ്റ്റ് റെക്കഗ്നിഷൻ സിസ്റ്റത്തിന്റെ പ്രകാശനം Tesseract 5.1

റഷ്യൻ, കസാഖ്, ബെലാറഷ്യൻ, ഉക്രേനിയൻ എന്നിവയുൾപ്പെടെ 5.1-ലധികം ഭാഷകളിലുള്ള UTF-8 പ്രതീകങ്ങളുടെയും ടെക്‌സ്റ്റുകളുടെയും അംഗീകാരത്തെ പിന്തുണയ്‌ക്കുന്ന Tesseract 100 ഒപ്റ്റിക്കൽ ടെക്‌സ്‌റ്റ് തിരിച്ചറിയൽ സംവിധാനത്തിന്റെ പ്രകാശനം പ്രസിദ്ധീകരിച്ചു. ഫലം പ്ലെയിൻ ടെക്‌സ്‌റ്റിലോ HTML (hOCR), ALTO (XML), PDF, TSV ഫോർമാറ്റുകളിലോ സംരക്ഷിക്കാനാകും. ഈ സിസ്റ്റം യഥാർത്ഥത്തിൽ 1985-1995-ൽ ഹ്യൂലറ്റ് പാക്കാർഡ് ലബോറട്ടറിയിൽ സൃഷ്ടിച്ചതാണ്; 2005-ൽ, അപ്പാച്ചെ ലൈസൻസിന് കീഴിൽ കോഡ് തുറക്കുകയും ഗൂഗിൾ ജീവനക്കാരുടെ പങ്കാളിത്തത്തോടെ കൂടുതൽ വികസിപ്പിച്ചെടുക്കുകയും ചെയ്തു. പ്രോജക്റ്റിന്റെ സോഴ്സ് കോഡ് അപ്പാച്ചെ 2.0 ലൈസൻസിന് കീഴിലാണ് വിതരണം ചെയ്യുന്നത്.

മറ്റ് ആപ്ലിക്കേഷനുകളിലേക്ക് OCR പ്രവർത്തനം ഉൾച്ചേർക്കുന്നതിനുള്ള ഒരു കൺസോൾ യൂട്ടിലിറ്റിയും libtesseract ലൈബ്രറിയും Tesseract-ൽ ഉൾപ്പെടുന്നു. Tesseract പിന്തുണയ്ക്കുന്ന മൂന്നാം-കക്ഷി GUI ഇന്റർഫേസുകളിൽ gImageReader, VietOCR, YAGF എന്നിവ ഉൾപ്പെടുന്നു. രണ്ട് തിരിച്ചറിയൽ എഞ്ചിനുകൾ വാഗ്ദാനം ചെയ്യുന്നു: വ്യക്തിഗത പ്രതീക പാറ്റേണുകളുടെ തലത്തിൽ ടെക്‌സ്‌റ്റ് തിരിച്ചറിയുന്ന ക്ലാസിക് ഒന്ന്, കൂടാതെ എൽഎസ്‌ടിഎം ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മെഷീൻ ലേണിംഗ് സിസ്റ്റത്തിന്റെ ഉപയോഗത്തെ അടിസ്ഥാനമാക്കിയുള്ള പുതിയത്, മുഴുവൻ സ്‌ട്രിംഗുകളും തിരിച്ചറിയുന്നതിനും അനുവദിക്കുന്നതിനും ഒപ്റ്റിമൈസ് ചെയ്‌തിരിക്കുന്നു. കൃത്യതയിൽ ഗണ്യമായ വർദ്ധനവ്. 123 ഭാഷകൾക്കായി റെഡിമെയ്ഡ് പരിശീലനം ലഭിച്ച മോഡലുകൾ പ്രസിദ്ധീകരിച്ചു. പ്രകടനം ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന്, OpenMP, SIMD നിർദ്ദേശങ്ങൾ ഉപയോഗിച്ചുള്ള മൊഡ്യൂളുകൾ AVX2, AVX, NEON അല്ലെങ്കിൽ SSE4.1 വാഗ്ദാനം ചെയ്യുന്നു.

Tesseract 5.1-ലെ പ്രധാന മെച്ചപ്പെടുത്തലുകൾ:

• ALTO, hOCR, ടെക്സ്റ്റ് ഫോർമാറ്റുകളിൽ ഔട്ട്പുട്ട് ചെയ്യുമ്പോൾ ഇമേജുകളും ലൈനുകളും ഉപയോഗിച്ച് ഏരിയകൾ പ്രോസസ്സ് ചെയ്യാനുള്ള കഴിവ് നടപ്പിലാക്കി.
• പുതിയ പാരാമീറ്റർ curl_timeout lkz curl_easy_setop ചേർത്തു.
• മെച്ചപ്പെട്ട നിർമ്മാണ സംവിധാനം.
• ഉപയോഗിക്കാത്ത കോഡ് നീക്കം ചെയ്യുന്നതിനുള്ള പ്രവർത്തനങ്ങൾ നടത്തി
• PageIterator ::Orientation ക്ലാസിലെ null pointer-ന്റെ തെറ്റായ കൈകാര്യം ചെയ്യൽ മൂലമുണ്ടായ ക്രാഷുകൾ പരിഹരിച്ചു.

അവലംബം: opennet.ru