દસ્તાવેજો અને OCR ની સમીક્ષા કરો

What this lesson is about

ટાઇપ કરેલું લખાણ, વાંચન ક્રમ, ટેબલ અને અસ્પષ્ટ બોક્સ તપાસો. ક્યારેય શબ્દ બનાવશો નહીં.

એક સ્ટેમ્પ લગાવેલું ઇન્વૉઇસ કુલ રકમનો એક અંક છુપાવે છે, અને બાકી પંક્તિનું કુલ સરસ રીતે મળે છે. તમે શું ટાઇપ કરશો?

Why this matters

ડેટાસેટ — જે ઉદાહરણોથી મોડેલ શીખે છે — તે સાફ દેખાઈ શકે છે પણ ઉપયોગી ન હોઈ શકે. એક બનાવેલો અંક કે ખોટી જગ્યાએ મૂકાયેલ ટેબલ સેલ પૂરતો છે.

વાંચન ક્રમ જાળવીને OCR સુધારો કરો અને અસ્પષ્ટ અક્ષરોને અસ્પષ્ટ જ રાખો.

જેમ દેખાય તેમ લખો, જે લાગતું હોય તે ન બનાવો.
શીર્ષક, પંક્તિઓ અને કૉલમની ક્રમબદ્ધતા જાળવો.
જે વાંચી શકાય નહીં તે ટાસ્ક મુજબ ઉપર મોકલો.

Task

સ્ટેમ્પવાળા ઇન્વૉઇસ ટોટલની સમીક્ષા કરો.

Weak approach દરેક પંક્તિ અને કૉલમ પોતાની જગ્યા પર જ રાખે છે, અને અક્ષરોને પૃષ્ઠ પર જે રીતે છે તે રીતે જ ટાઇપ કરે છે. પછી ઉપ-કુલમાંથી છુપાયેલ આંકડો કાઢી 1,890 ટાઇપ કરે છે. હવે પૃષ્ઠ પર એવો આંકડો છે જે કોઈએ જોઈ શક્યો નહોતો, અને સ્ટેમ્પ કરેલો બોક્સ ક્યારેય ઉપર મોકલાયો નહોતો.

Stronger approach અંકને અસ્પષ્ટ તરીકે ચિહ્નિત કરો, જે અક્ષરો જોઈ શકાય તે રાખો અને તે ચોક્કસ ભાગ સમીક્ષા માટે મોકલો.

Why the stronger approach works બન્ને સમીક્ષકો દસ્તાવેજની આકારશૈલી જાળવી. એકએ આંકડાઓ પણ મેળ ખાતા બનાવ્યા, અને પૃષ્ઠ પર તે ક્યાંય લખેલું નથી.

Try a changed situation હવે પાનું હાથથી લખાયેલું શાળાનું હાજરી રજીસ્ટર છે જેમાં બે કૉલમ એકબીજાને નજીક છે. તમે શું બચાવશો?

Make something yourself લખાણ, લેઆઉટ, ટેબલ અને અસ્પષ્ટતા માટે ચાર પંક્તિઓની OCR ચેકલિસ્ટ બનાવો.

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