Rozpoznávání textu v historických archiváliích ze 17.-19. století
Text recognition in historical archival material from the 17th-19th centuries
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Herman Tiumentsev
Vedoucí práce
Smítka Jiří
Oponent práce
Klouda Karel
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Digitalizace historických dokumentů je důležitým úkolem, který může badatelům pomoci pohodlnějí přistupovat k historickým datům. Cílem této práce je taková digitalizace týkající se dat z digitální knihovny Kramerius provozované Národní knihovnou České republiky. Obsahuje celou pipeline, která se skládá z vytvoření datové sady, různých technik předzpracování dat, dalšího trénování modelů digitálního rozpoznávání (například Tesseract LSTM, Tesseract Legacy nebo GOCR) a vyhodnocení výsledků. Navíc, tato práce navrhuje novou metriku, kterou lze použít k vyhodnocení účinnosti modelu ve srovnání s referenčním modelem. Historical document digitization is an important task that might help researchers to access historical data more conveniently. This thesis aims at such digitalization related to the data from the Kramerius digital library operated by the National Library of the Czech Republic. It contains the whole pipeline that consists of dataset creation, various data preparation techniques, further digital recognition model training (such as Tesseract LSTM, Tesseract Legacy, and GOCR), and evaluation of the results. Moreover, it proposes a new metric that can be used to evaluate the efficiency of a model comparing to the reference one.
Kolekce
- Bakalářské práce - 18105 [295]