दस्तावेजानां पुनरावलोकनं च OCR

What this lesson is about

लिखितं पाठं, पठने क्रमं, सारिणीषु च अस्पष्टानि कक्षाणि परीक्षताम्। कदापि शब्दं कल्पयतु मा।

मुद्रितं चलनपत्रे समग्रस्य सङ्ख्यायाः एकः अंकः लुप्तः अस्ति, शेषः पङ्क्तिः सम्यक् योगं करोति। किं लिखसि?

Why this matters

दत्तांशसङ्ग्रहः यद्यपि स्वच्छः दृश्यते तथापि उपयोगाय अयोग्यः स्यात्। एकः कल्पितः अंकः वा विस्थापितः सारणीकोशः पर्याप्तः।

पठने क्रमं च रक्ष्य तु अस्पष्टाक्षराणि च यथावत् चिन्हितानि सन्तु, OCR सम्यक् सुधीयताम्।

यत् दृश्यते तत् एव लिख, यत् सम्भाव्यते न कल्पय।
शीर्षकानि, पङ्क्तयः, स्तम्भाः च क्रमेन स्थापयेत्।
यत् न पठ्यते तद् कार्ये निर्दिष्टेन प्रकारेण उच्चतरपरीक्षणाय प्रेषयतु।

Task

मुद्रितस्य चलनस्य समग्रं पुनरावलोकय।

Weak approach प्रतिपंक्तिं च स्तम्भं च यथास्थानं धारयति, पत्रे यथावस्थितं अक्षराणि यथावत् लिखति। ततः उपयोगात् लुप्ताङ्कं ज्ञात्वा 1,890 अंकं लिखति। अधुना पत्रे तदङ्कं अस्ति यः कश्चन न दृष्टवान्, च मुद्रितः कूटः कदापि प्रेषितः न जातः।

Stronger approach अंकं अस्पष्टं इति चिन्हय, दृश्यमानानि अक्षराणि रक्ष, तत् अंशं पुनरावलोकनाय प्रेषय।

Why the stronger approach works द्वौ समीक्षकौ च दस्तावेजस्य रूपं रक्षितवन्तौ। एकः तु सङ्ख्यानि सम्यक् मिलित्वा योजितवान्, पत्रे तदपि न लिखितम्।

Try a changed situation अद्य पृष्ठं हस्तलिखितं विद्यालयस्य उपस्थितिपञ्जी अस्ति, द्वे स्तम्भे संकुचिते। किं रक्षिष्यसि?

Make something yourself चत्वारि पङ्क्तयः OCR जाँचसूचीः स्याताम् — पाठः, विन्यासः, सारिणी च यत् अस्पष्टं।

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