ದಾಖಲೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು OCR ಮಾಡಿ

What this lesson is about

ಟೈಪ್ ಮಾಡಿದ ಪಠ್ಯ, ಓದುವ ಕ್ರಮ, ಪಟ್ಟಿಗಳು ಮತ್ತು ಅಸ್ಪಷ್ಟ ಬಾಕ್ಸುಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಎಂದಿಗೂ ಪದವನ್ನು ಕಲ್ಪಿಸಬೇಡಿ.

ಒಂದು ಮುದ್ರಿತ ಇನ್ವಾಯ್ಸ್ ಒಟ್ಟು ಮೊತ್ತದ ಒಂದು ಅಂಕೆಯನ್ನು ಮುಚ್ಚಿಹಾಕಿದೆ, ಉಳಿದ ಸಾಲಿನ ಮೊತ್ತ ಸರಿಯಾಗಿ ಸೇರಿದೆ. ನೀವು ಏನು ಟೈಪ್ ಮಾಡುತ್ತೀರಿ?

Why this matters

ಒಂದು ಡೇಟಾಸೆಟ್ — ಮಾದರಿ ಕಲಿಯುವ ಉದಾಹರಣೆಗಳ ಗುಚ್ಛ — ಸ್ವಚ್ಛವಾಗಿದ್ದರೂ ಬಳಸಲು ಅಸಾಧ್ಯವಾಗಬಹುದು. ಒಂದು ಕಲ್ಪಿತ ಅಂಕಿ ಅಥವಾ ತಪ್ಪಾಗಿ ಇರಿಸಿದ ಟೇಬಲ್ ಸೆಲ್ ಸಾಕು.

ಓದುವ ಕ್ರಮವನ್ನು ಉಳಿಸಿಕೊಂಡು ಸರಿಯಾದ OCR ಮಾಡಿ, ಅಸ್ಪಷ್ಟ ಅಕ್ಷರಗಳನ್ನು ಅಸ್ಪಷ್ಟವೆಂದು ಗುರುತಿಸಿ ಇಡಿ.

ನೀವು ನೋಡುತ್ತಿರುವುದನ್ನು ಮಾತ್ರ ಟೈಪ್ ಮಾಡಿ, ಸಾಧ್ಯವಿರುವುದನ್ನು ಅಲ್ಲ.
ಶೀರ್ಷಿಕೆಗಳು, ಸಾಲುಗಳು ಮತ್ತು ಕಾಲಮ್‌ಗಳನ್ನು ಸರಿಯಾದ ಕ್ರಮದಲ್ಲಿ ಇಡಿ.
ಓದಲಾಗದ ಬಾಕ್ಸನ್ನು ಕಾರ್ಯದ ಸೂಚನೆಯಂತೆ ಮೇಲಕ್ಕೆ ಕಳುಹಿಸಿ.

Task

ಸ್ಟಾಂಪ್ ಹಾಕಿದ ಇನ್ವಾಯ್ಸ್ ಒಟ್ಟು ಮೊತ್ತವನ್ನು ಪರಿಶೀಲಿಸಿ.

Weak approach ಪ್ರತಿ ಸಾಲು ಮತ್ತು ಕಾಲಮ್ ಅನ್ನು ತನ್ನ ಸ್ಥಳದಲ್ಲೇ ಇಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ಮತ್ತು ಅಕ್ಷರಗಳನ್ನು ಪುಟದಲ್ಲಿ ಇದ್ದಂತೆ ನಿಖರವಾಗಿ ಟೈಪ್ ಮಾಡುತ್ತದೆ. ನಂತರ ಉಪಮೊತ್ತದಿಂದ ಮರೆತಿರುವ ಅಂಕೆಯನ್ನು ಕಂಡುಹಿಡಿದು 1,890 ಅನ್ನು ಟೈಪ್ ಮಾಡುತ್ತದೆ. ಈಗ ಪುಟದಲ್ಲಿ ಯಾರಿಗೂ ಕಾಣದ ಅಂಕೆ ಇದೆ, ಮತ್ತು ಮುದ್ರಿತ ಬಾಕ್ಸ್ ಅನ್ನು ಎಂದಿಗೂ ಮೇಲಕ್ಕೆ ಕಳುಹಿಸಲಾಗಲಿಲ್ಲ.

Stronger approach ಅಂಕಿಯನ್ನು ಅಸ್ಪಷ್ಟವೆಂದು ಗುರುತಿಸಿ, ಕಾಣುವ ಅಕ್ಷರಗಳನ್ನು ಉಳಿಸಿ, ಆ ಭಾಗವನ್ನು ನಿಖರವಾಗಿ ಪರಿಶೀಲನೆಗೆ ಕಳುಹಿಸಿ.

Why the stronger approach works ಎರಡೂ ವಿಮರ್ಶಕರು ದಾಖಲೆ ರೂಪವನ್ನು ಉಳಿಸಿಕೊಂಡರು. ಅವರಲ್ಲಿ ಒಬ್ಬರು ಅಂಕಿಗಳನ್ನು ಹೊಂದಿಸುವುದೂ ಮಾಡಿದರು, ಮತ್ತು ಪುಟದಲ್ಲಿ ಅದನ್ನು ಎಲ್ಲಿ ಹೇಳಲಿಲ್ಲ.

Try a changed situation ಈಗ ಪುಟವು ಎರಡು ಕಾಲಮ್‌ಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿದ ಕೈಯಿಂದ ಬರೆದ ಶಾಲಾ ಹಾಜರಿ ಪಟ್ಟಿ ಆಗಿದೆ. ನೀವು ಏನು ರಕ್ಷಿಸುತ್ತೀರಿ?

Make something yourself ನಾಲ್ಕು ಸಾಲುಗಳ OCR ಪರಿಶೀಲನಾ ಪಟ್ಟಿಯನ್ನು ರಚಿಸಿ: ಪಠ್ಯ, ವಿನ್ಯಾಸ, ಪಟ್ಟಿಗಳು ಮತ್ತು ಅಸ್ಪಷ್ಟತೆ.

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