עדכון | ימים חדשים לפנינו: הOCR לספרים חוזר, ובענק!
-
האם לא אפשר לשפר המערכת ע"י שתלמוד את צורת האותיות של הספר המסוים מתוך התיקונים שנעשו בו, ובכך לשפר בהדרגה את זיהוי האותיות בכל הספר, בשלושה שלבים:
שלב א' – לימוד מתוך דפים שכבר תוקנו
לאחר שמתקנים ידנית מספר דפים, המערכת משווה את הטקסט המתוקן לתצלומי הדפים המקוריים, ולומדת מהם את צורת האותיות המיוחדת לספר זה, ובפרט את ההבדלים בין אותיות דומות, גם בצירופים שונים ובמקומות שונים במילה.
לאחר מכן היא חוזרת על כל הספר ומתקנת את הטעויות שאפשר לזהות על סמך מה שלמדה.
שלב ב' – לימוד פעיל באמצעות שאלות ממוקדות
המערכת מחפשת בכל הספר מקומות שבהם היא מסופקת בין שתי אותיות או יותר, ומציגה למשתמש רק את המילה או האות המסופקת, בצירוף תצלום המקור והאפשרויות השונות.
המשתמש בוחר את הקריאה הנכונה, והמערכת לומדת מכך לא רק לגבי אותו מקום, אלא לגבי כל המופעים הדומים בספר.
כך, במקום לעבור ידנית על מאות עמודים, אפשר לתקן מספר מצומצם יחסית של דוגמאות שיש בהן תועלת מרבית ללימוד המערכת.
שלב ג' – לימוד עצמי מתוך מקומות ברורים
המערכת מחפשת בעצמה בכל הספר מופעים של אותיות וצירופי אותיות שניתן לזהותם בביטחון גבוה, הן לפי ההקשר הלשוני והן לפי צורת האותיות.
לאחר מכן היא משווה את צורתן למקומות המסופקים, ולומדת להבחין בין האותיות גם בלי להזדקק לתיקון ידני.
לדוגמה, אם יש מאות מקומות שבהם ברור שהאות היא ד', ומאות מקומות שבהם ברור שהיא ר', אפשר להשוות ביניהם וללמוד את ההבדלים הזעירים בין שתי האותיות בדפוס המסוים, ועל פיהם להכריע במקומות מסופקים.
כמובן, צריך להיזהר שהמערכת לא תשנה את הנוסח המקורי רק מפני שלפי ההקשר נראה לה שראוי להיות כתוב אחרת. המטרה היא ללמוד לקרוא נכון את הדפוס עצמו, ולא להגיה את לשון המחבר מסברה.
הרעיון הוא ששלושת השלבים יחזרו על עצמם: כל תיקון משפר את יכולת הזיהוי, מאפשר תיקונים נוספים, ומצמצם בהדרגה את מספר המקומות הזקוקים לבדיקה אנושית.
לכאורה היתרון הגדול הוא שאין צורך במודל OCR מושלם המתאים לכל הספרים והדפוסים, אלא אפשר ליצור לכל ספר מודל המותאם לצורת האותיות שלו, תוך שימוש בדפים שכבר תוקנו ממילא.
האם אפשר לממש זאת באמצעות מערכות קיימות כגון Kraken או eScriptorium, בתוספת פיתוח מתאים?
-
-
-
@נתנאל_26 הייתי משנה טיפ-טיפה את הניסוח, כעת הוא קצת מטעה.
או מעביר שורה אחרי המילה צילום, או מוסיף את המילה 'רק' בתחילת השורה השניה. -
@נתנאל_26 הייתי משנה טיפ-טיפה את הניסוח, כעת הוא קצת מטעה.
או מעביר שורה אחרי המילה צילום, או מוסיף את המילה 'רק' בתחילת השורה השניה.@צדיק-וטוב-לו
אשתדל לשנות בנתיים
יש פרוט נרחב יותר בפאפ

-
-
-
-
-
-
@נתנאל_26 זה לא ה OCR זה הסריקה, שהיא ברמה נמוכה יותר.
אני לא מסוגל לעבוד עם כ"כ הרבה טעויות. -
@זאב-לבן
לא חושב שזה מסביר את הרמה הנמוכה
ראיתי את המודל הזה במצבים גרועים מזה נותן זהוי הרבה יותר מדויק -
-
-
-
-
-
-
-
שלום! נראה שהשיחה הזו מעניינת אותך, אבל עדיין אין לך חשבון.
נמאס לכם לגלול בין אותם הפוסטים בכל ביקור? כשנרשמים לחשבון, תמיד תחזרו בדיוק למקום שבו הייתם קודם, ותוכלו לבחור לקבל התראות על תגובות חדשות (בין אם במייל, ובין אם בהתראת פוש). תוכלו גם לשמור סימניות ולפרגן ב-upvote לפוסטים כדי להביע הערכה לחברי קהילה אחרים.
בעזרת התרומה שלך, הפוסט הזה יכול להיות אפילו טוב יותר 💗
הרשמה התחברות
