A apărut versiunea sistemului de recunoaștere optică a textului Tesseract 5.2, care suportă recunoașterea caracterelor UTF-8 și a textelor în peste 100 de limbi, inclusiv rusă, kazahă, belarusă și ucraineană. Rezultatul poate fi salvat atât ca text simplu, cât și în formate HTML (hOCR), ALTO (XML), PDF și TSV. Sistemul a fost inițial creat în perioada 1985-1995 în laboratorul companiei Hewlett Packard, codul fiind deschis în 2005 sub licența Apache, dezvoltarea având loc ulterior cu participarea angajaților Google. Codurile sursă ale proiectului sunt distribuite sub licența Apache 2.0.
Tesseract include o utilitară de linie de comandă și biblioteca libtesseract pentru a încorpora funcțiile de recunoaștere a textului în alte aplicații. Dintre interfețele GUI terță parte care suportă Tesseract, se pot menționa gImageReader, VietOCR și YAGF. Sunt oferite două motoare de recunoaștere: clasic, care recunoaște textul la nivelul șablonului de caractere individuale, și noul motor bazat pe utilizarea sistemului de învățare automată cu rețea neurală recurentă LSTM, optimizat pentru recunoașterea întregilor linii și care permite obținerea unei creșteri semnificative a acurateței. Modelele antrenate sunt publicate pentru 123 de limbi. Pentru optimizarea performanței, sunt propuse module care utilizează OpenMP și instrucțiuni SIMD AVX2, AVX, AVX512F, NEON sau SSE4.1.
Îmbunătăţirile principale din Tesseract 5.2:
- Au fost adăugate optimizări implementate folosind instrucțiuni Intel AVX512F.
- În API-ul C a fost implementată o funcție pentru inițializarea Tesseract cu încărcarea din memorie a modelului de învățare automată.
- A fost adăugat parametrul invert_threshold, care determină nivelul de inversare a liniilor de text. Valoarea implicită este 0.7. Pentru a dezactiva inversarea, trebuie setată valoarea 0.
- A fost îmbunătățită procesarea documentelor foarte mari pe gazde pe 32 de biți.
- S-a realizat trecerea de la utilizarea funcțiilor std::regex la std::string.
- S-au îmbunătățit scripturile de construcție pentru Autotools, CMake și sistemele de integrare continuă.
Sursa: opennet.ro
