নথিপত্ৰ আৰু OCR পৰ্যালোচনা কৰক

What this lesson is about

টাইপ কৰা পাঠ, পঢ়াৰ ক্ৰম, তালিকা আৰু অস্পষ্ট বাকচসমূহ পৰীক্ষা কৰক। কেতিয়াও এটা শব্দ কল্পনা নকৰিব।

এখন মুদ্ৰিত বিলত মুঠৰ এটা সংখ্যা লুকোৱা হৈছে, আৰু বাকী শাৰীটো সঠিকভাৱে যোগ হয়। আপুনি কি টাইপ কৰিব?

Why this matters

এটা ডেটাচেট — য’ত মডেলে শিকিব — চাফা যেন দেখুওৱা হ’লেও ব্যৱহাৰযোগ্য নোহোৱা হ’ব পাৰে। এটা কল্পিত সংখ্যা বা এটা ভুল ঠাইত থকা টেবুল চেল যথেষ্ট।

পঢ়াৰ ক্ৰম সঠিক ৰাখি OCR ঠিক কৰক, আৰু অস্পষ্ট আখৰসমূহ অস্পষ্ট হিচাপে ৰাখক।

আপুনি যি দেখিছে মাত্ৰ টাইপ কৰক, সম্ভাৱনীয় কথা নলিখক।
শীৰ্ষক, শাৰী আৰু কলামৰ সঠিক ক্ৰম বজাই ৰাখক।
পঢ়িব নোৱাৰা বাকচটো কামৰ নিৰ্দেশ অনুসৰি ওপৰলৈ পঠিয়াব।

Task

ষ্টাম্প লগা ইনভইচৰ মুঠ পৰ্যালোচনা কৰক।

Weak approach প্ৰত্যেক শাৰী আৰু কলাম ঠিক ঠাইত ৰাখে, আৰু আখৰবোৰ ঠিক তেনে টাইপ কৰে যি পৃষ্ঠাত আছে। তাৰ পিছত উপ-যোগৰ পৰা লুকোৱা সংখ্যাটো উলিয়াই 1,890 টাইপ কৰে। এতিয়া পৃষ্ঠাত এটা সংখ্যা আছে যি কোনোবাই দেখা নাছিল, আৰু ছাপ থকা বাকচখন কেতিয়াও ওপৰলৈ পঠিওৱা হোৱা নাছিল।

Stronger approach সংখ্যাটো অস্পষ্ট বুলি চিহ্নিত কৰক, আপুনি দেখা আখৰসমূহ ৰাখক, আৰু ঠিক সেই অংশটো পৰ্যালোচনাৰ বাবে পঠিয়াব।

Why the stronger approach works দুয়োটা পৰ্যালোচকে নথিপত্ৰৰ আকৃতি ৰক্ষা কৰিলে। এজনেও সংখ্যাবোৰ মিলাই দিলে, আৰু পৃষ্ঠাত ইয়াৰ কোনো উল্লেখ নাছিল।

Try a changed situation এতিয়া পৃষ্ঠাটো হাতৰ লিখা বিদ্যালয়ৰ হাজিৰা পঞ্জীয়ন, য'ত দুটা খানা একেলগে সঁপোৱা হৈছে। আপুনি কি ৰক্ষা কৰিব?

Make something yourself এটা চাৰিটা শাৰী থকা OCR পৰীক্ষা তালিকা বনাওক: পাঠ, বিন্যাস, তালিকা আৰু কি অস্পষ্ট।

Read the primary or official source: Jaume et al., FUNSD: form understanding in noisy scanned documents (arXiv)