Praktický OCR systém založený na moderních neuronových sítích

Abstract

Již dávno bylo jasné že OCR (Optical Character Recognition) je kýženým cí- lem. Na dosažení tohoto cíle bylo vyna- loženo v průběhu desetiletí značné úsilí. V současnosti je tento problém poklá- dán za více méně vyřešený, vzhledem k tomu že na první pohled dnes OCR fun- guje relativně dobře. Bohužel, při bliž- ším pohledu se ukazuje, že momentálně dostupné nástroje spoléhají na kontrole výstupu za pomoci slovníku, případně jazykových modelů. Toto těmto nástro- jům umožňuje porovnávat různé prav- děpodobné interpretace vstupních dat s ohledem na to, jaké výstupy jsou nej- pravděpodobnější na základě toho zda dávají jazykově smysl. Výkonnost těchto nástrojů je ale na nejazyčných datech jako jsou různé alfanumerické kódy pod- statně horší. Tato práce se pokouší o im- plementaci struktury datasetu, syntetic- kého generátoru dat pro výrobu realis- tických trénovacích dat, a konečně o im- plementaci klasifikátoru na bázi strojo- vého učení schopného fungovat na neja- zykových datech lépe než momentálně dostupná řešení.

Optical Character Recognition has been recognised as a desirable task since long ago, with much engineering effort put towards its solution over the span of decades with the current general con- sensus considering it to be a more or less "solved" as a problem as by most obvi- ous metrics OCR has been performing well for a long time. At closer inspec- tion of attainable performance with the currently available tools, it turns out that they generally rely on cross referencing results obtained from the visual data with a dictionary or some sophisticated linguistic model. This allows them to probabilistically evalu- ate various interpretations of the visual input and ensure data sanity. Their performance on non-linguistic data like codified alphanumerical strings is sig- nificantly worse. This work attempts to implement a dataset structure, a syn- thetic data generator for the generation of realistic training data and ultimately a deep neural net based classifier capa- ble of outperforming available tools in non-linguistic text recognition.