OCR-hibák javítása neurális technológiák segítségével

Laki László János and Kőrös Ádám and Ligeti-Nagy Noémi and Nyéki Bence and Vadász Noémi and Yang Zijian Győző and Váradi Tamás: OCR-hibák javítása neurális technológiák segítségével. In: Magyar Számítógépes Nyelvészeti Konferencia, (18). pp. 417-430. (2022)

Cikk, tanulmány, mű msznykonf_018_417-430.pdf Download (708kB)

Abstract

Munkánk során párhuzamos optikai szövegfelismerővel digitalizált (OCR) szövegeken végeztünk utólagos korrektúrát. Kutatásunkban különböző OCR-hibákat tartalmazó szövegeket detektáló és javító modelleket implementáltunk, valamint saját Silver standard párhuzamos korpuszt építettünk. Eredményeink azt mutatják, hogy abban az esetben, amikor kizárólag OCR-hibák javítását tűzzük ki célul, modelljeink a Context-based Character Correction (CCC) detekciós modellel való kombinációval a leghatékonyabbak. A létrehozott enkóder-dekóder alapú javító módszereink az OCR-hibák mellett nagy pontossággal javítják a szövegekben található koherenciahibákat (pl.: oldalszámok, elválasztások). Kutatásunk folytatásaként tervezzük a modellek tanítását és tesztelését a Gold standard korpuszon is.

Item Type:	Article
Heading title:	Korpusz, szövegfeldolgozás
Journal or Publication Title:	Magyar Számítógépes Nyelvészeti Konferencia
Date:	2022
Volume:	18
ISBN:	978-963-306-848-9
Page Range:	pp. 417-430
Language:	Hungarian
Place of Publication:	Szeged
Event Title:	Magyar számítógépes nyelvészeti konferencia (18.) (2022) (Szeged)
Related URLs:	http://acta.bibl.u-szeged.hu/75797/
Uncontrolled Keywords:	Nyelvészet - számítógép alkalmazása
Additional Information:	Bibliogr.: p. 428-430. és a lábjegyzetekben ; ill. ; összefoglalás magyar nyelven
Subjects:	01. Natural sciences 01. Natural sciences > 01.02. Computer and information sciences 06. Humanities 06. Humanities > 06.02. Languages and Literature
Date Deposited:	2022. May. 25. 12:30
Last Modified:	2022. May. 25. 12:30
URI:	http://acta.bibl.u-szeged.hu/id/eprint/75890

Actions (login required)

View Item