పత్రాలు మరియు OCR సమీక్షించండి

What this lesson is about

టైప్ చేసిన వచనం, చదవడం క్రమం, పట్టికలు మరియు అర్థం కాని బాక్సులను తనిఖీ చేయండి. ఎప్పుడూ కొత్త పదాన్ని ఊహించవద్దు.

స్టాంప్ పెట్టిన ఇన్వాయిస్ మొత్తం సంఖ్యలో ఒక అంకె దాచిపెట్టింది, మిగతా వరుస సరిగ్గా కలుస్తోంది. మీరు ఏమి టైప్ చేస్తారు?

Why this matters

ఒక డేటాసెట్ — మోడల్ నేర్చుకునే ఉదాహరణల సమాహారం — శుభ్రంగా కనిపించినా ఉపయోగించలేనిది కావచ్చు. ఒక ఊహించిన అంకె లేదా తప్పుగా పెట్టిన పట్టిక సెల్ సరిపోదు.

చదవడం క్రమాన్ని పాటిస్తూ OCR సరిచేయండి, అర్థం కాని అక్షరాలను అర్థం కాని గా గుర్తించండి.

మీకు కనిపించే దానిని మాత్రమే టైప్ చేయండి, అనుమానాలను కాదు.
శీర్షికలు, వరుసలు, కాలమ్స్ క్రమంలో ఉంచండి.
పని చెప్పిన విధంగా చదవలేని బాక్సును పైకి పంపండి.

Task

స్టాంప్ ఉన్న ఇన్వాయిస్ మొత్తం సమీక్షించండి.

Weak approach ప్రతి వరుస, ప్రతి కాలమ్ స్థిరంగా ఉంచి, అక్షరాలను పేజీలో ఉన్నట్లుగా ఖచ్చితంగా టైప్ చేస్తుంది. ఆపై ఉపమొత్తం నుంచి దాచిన అంకెను కనుగొని 1,890 అని టైప్ చేస్తుంది. ఇప్పుడు పేజీలో ఎవరికీ కనిపించని అంకె ఉంది, మరియు ముద్ర పెట్టిన బాక్స్ ఎప్పుడూ పైకి పంపలేదు.

Stronger approach అంకెను అర్థం కాని గా గుర్తించి, మీరు చూడగలిగిన అక్షరాలను ఉంచి, ఆ భాగాన్ని సమీక్షకి పంపండి.

Why the stronger approach works రెండు సమీక్షకులు డాక్యుమెంట్ ఆకారాన్ని నిలబెట్టుకున్నారు. వారిలో ఒకరు సంఖ్యలను సరిపోల్చేశారు, కానీ పేజీలో అది ఎక్కడా చెప్పలేదు.

Try a changed situation ఇప్పుడు పేజీ చేతితో రాసిన స్కూల్ హాజరు రిజిస్టర్, రెండు కాలమ్స్ దగ్గరగా ఉన్నాయి. మీరు ఏమి రక్షిస్తారు?

Make something yourself నాలుగు వరుసల OCR తనిఖీ జాబితా తయారు చేయండి: వచనం, అమరిక, పట్టికలు, మరియు అర్థం కాని భాగాలు.

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