ਮਸ਼ੀਨ ਦੁਆਰਾ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ। ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਹਿੰਦੀ ਸਮੀਖਿਆ ਕੀਤੇ ਗਏ ਸੰਸਕਰਣ ਹਨ।English हिन्दी

Learn
See
Try
Make

ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ OCR ਦੀ ਸਮੀਖਿਆ ਕਰੋ

What this lesson is about

ਟਾਈਪ ਕੀਤੇ ਗਏ ਲਿਖਤ, ਪੜ੍ਹਨ ਦਾ ਕ੍ਰਮ, ਟੇਬਲਾਂ ਅਤੇ ਅਸਪਸ਼ਟ ਡੱਬਿਆਂ ਦੀ ਜਾਂਚ ਕਰੋ। ਕਦੇ ਵੀ ਕੋਈ ਸ਼ਬਦ ਬਣਾਉਣਾ ਨਹੀਂ।

ਇੱਕ ਮੋਹਰ ਲੱਗੀ ਇਨਵੌਇਸ ਵਿੱਚ ਕੁੱਲ ਰਕਮ ਦਾ ਇੱਕ ਅੰਕ ਛੁਪਿਆ ਹੋਇਆ ਹੈ, ਅਤੇ ਬਾਕੀ ਕਤਾਰ ਦਾ ਜੋੜ ਠੀਕ ਬੈਠਦਾ ਹੈ। ਤੁਸੀਂ ਕੀ ਟਾਈਪ ਕਰੋਗੇ?

Why this matters

ਇੱਕ ਡਾਟਾਸੈੱਟ — ਜਿਸ ਵਿੱਚ ਮਾਡਲ ਸਿੱਖਦਾ ਹੈ — ਸਾਫ਼ ਲੱਗ ਸਕਦਾ ਹੈ ਪਰ ਫਿਰ ਵੀ ਵਰਤੋਂਯੋਗ ਨਹੀਂ ਹੁੰਦਾ। ਇੱਕ ਬਣਾਇਆ ਹੋਇਆ ਅੰਕ ਜਾਂ ਗਲਤ ਟੇਬਲ ਸੈੱਲ ਕਾਫ਼ੀ ਹੈ।

OCR ਨੂੰ ਸਹੀ ਕਰੋ ਪਰ ਪੜ੍ਹਨ ਦਾ ਕ੍ਰਮ ਅਤੇ ਅਸਪਸ਼ਟ ਅੱਖਰ ਅਸਪਸ਼ਟ ਹੀ ਰਹਿਣ ਦਿਓ।

ਜੋ ਤੁਸੀਂ ਵੇਖਦੇ ਹੋ ਉਹੀ ਲਿਖੋ, ਜੋ ਲੱਗਦਾ ਹੈ ਉਹ ਨਾ ਬਣਾਓ।
ਸਿਰਲੇਖ, ਕਤਾਰਾਂ ਅਤੇ ਕਾਲਮਾਂ ਨੂੰ ਠੀਕ ਕ੍ਰਮ ਵਿੱਚ ਰੱਖੋ।
ਜੋ ਪੜ੍ਹਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ, ਉਸਨੂੰ ਕੰਮ ਦੇ ਨਿਯਮ ਅਨੁਸਾਰ ਉੱਪਰ ਭੇਜੋ।

Task

ਸਟੈਂਪ ਲੱਗੇ ਇਨਵੌਇਸ ਦੇ ਕੁੱਲ ਦੀ ਸਮੀਖਿਆ ਕਰੋ।

Weak approach ਹਰ ਕਤਾਰ ਅਤੇ ਕਾਲਮ ਆਪਣੀ ਜਗ੍ਹਾ 'ਤੇ ਰੱਖਦਾ ਹੈ, ਅਤੇ ਅੱਖਰ ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਲਿਖਦਾ ਹੈ ਜਿਵੇਂ ਉਹ ਪੰਨੇ 'ਤੇ ਹਨ। ਫਿਰ ਉਪ-ਕੁੱਲ ਤੋਂ ਲੁਕਿਆ ਹੋਇਆ ਅੰਕ ਕੱਢ ਕੇ 1,890 ਲਿਖਦਾ ਹੈ। ਹੁਣ ਪੰਨੇ 'ਤੇ ਉਹ ਅੰਕ ਹੈ ਜੋ ਕਿਸੇ ਨੇ ਨਹੀਂ ਦੇਖਿਆ ਸੀ, ਅਤੇ ਮੋਹਰ ਵਾਲਾ ਖਾਨਾ ਕਦੇ ਉੱਪਰ ਨਹੀਂ ਭੇਜਿਆ ਗਿਆ।

Stronger approach ਅੰਕ ਨੂੰ ਅਸਪਸ਼ਟ ਵਜੋਂ ਨਿਸ਼ਾਨ ਲਗਾਓ, ਜੋ ਅੱਖਰ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਉਹ ਬਚਾਓ ਅਤੇ ਉਸ ਹਿੱਸੇ ਨੂੰ ਸਮੀਖਿਆ ਲਈ ਭੇਜੋ।

Why the stronger approach works ਦੋਹਾਂ ਸਮੀਖਿਆਕਾਰਾਂ ਨੇ ਦਸਤਾਵੇਜ਼ ਦੀ ਸ਼ਕਲ ਬਰਕਰਾਰ ਰੱਖੀ। ਇਕ ਨੇ ਅੰਕੜੇ ਵੀ ਮਿਲਾ ਦਿੱਤੇ, ਪਰ ਪੰਨੇ 'ਤੇ ਇਸ ਬਾਰੇ ਕੁਝ ਨਹੀਂ ਲਿਖਿਆ।

Try a changed situation ਹੁਣ ਪੰਨਾ ਇੱਕ ਹੱਥ ਨਾਲ ਲਿਖਿਆ ਸਕੂਲ ਹਾਜ਼ਰੀ ਰਜਿਸਟਰ ਹੈ ਜਿਸ ਵਿੱਚ ਦੋ ਕਾਲਮ ਇਕੱਠੇ ਹੋਏ ਹਨ। ਤੁਸੀਂ ਕੀ ਸੁਰੱਖਿਅਤ ਕਰੋਗੇ?

Make something yourself ਚਾਰ ਕਤਾਰਾਂ ਦੀ OCR ਚੈੱਕਲਿਸਟ ਬਣਾਓ: ਲਿਖਤ, ਲੇਆਉਟ, ਟੇਬਲਾਂ ਅਤੇ ਜੋ ਅਸਪਸ਼ਟ ਹੈ।

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