Incorporating spatial context for post-OCR in map images
Incorporating spatial context for post-OCR in map images
复制标题
在地图图像中纳入 OCR 后的空间上下文
DOI：
10.1145/3557918.3565864
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Namgung M
中科院分区：
文献类型：
--
作者：
Namgung M
由于复杂的地图内容，使用光学字符识别(OCR)引擎从历史地图中提取文本通常会导致部分或错误地识别单词。以前的工作利用基于词汇的方法与语言上下文或应用语言模型来纠正文档的OCR结果。然而，这些OCR后处理方法不能直接考虑地图文本的空间关系进行校正。例如，“密西西比”和“河流”构成了地名短语“密西西比河”(语言关系)，而在“公路”附近，很可能存在相交的“公路”进入“公路”(空间关系)。提出了一种利用上下文语言模型BART[6]对OCR中的地图文本进行后处理的新方法，该方法利用了地图文本的空间排列。该方法首先基于空间排列将词级地图文本构造成句子，同时保留构成地名的单词的空间位置，并利用邻近信息纠正不完善的OCR文本。为了训练BART捕获地图文本中的空间关系，我们自动生成大量合成地图，以使用位置名称及其空间上下文来微调BART。我们在不同地图样式和比例的合成地图和真实历史地图上进行了实验，结果表明，该方法比常用的词法方法有明显的改进。
Extracting text from historical maps using Optical Character Recognition (OCR) engines often results in partially or incorrectly recognized words due to complex map content. Previous work utilizes lexical-based approaches with linguistic context or applies language models to correct OCR results for documents. However, these post-OCR methods cannot directly consider spatial relations of map text for correction. For example, "Mississippi" and "River" constitute the place phrase "Mississippi River" (linguistic relation), and near "highway", there are likely to exist intersected "road" to enter the "highway" (spatial relation). This paper presents a novel approach that exploits the spatial arrangement of map text using a contextual language model, BART [6] for post-processing of map text from OCR. The approach first structures word-level map text into sentences based on their spatial arrangement while preserving the spatial location of words constituting a place name and corrects imperfect OCR text using neighboring information. To train BART for capturing spatial relations in map text, we automatically generate large numbers of synthetic maps to fine-tune BART with location names and their spatial context. We conduct experiments on synthetic and real-world historical maps of various map styles and scales and show that the proposed method can achieve significant improvement over the commonly used lexical approach.
登录
查看更多内容
大卫·拉姆齐地图集
DOI：
--
发表时间：
2010
期刊：
影响因子：
--
作者：
V. Packard
通讯作者：
V. Packard
BART 用于 OCR 报纸文本的后期校正
DOI：
--
发表时间：
2021
期刊：
WNUT
影响因子：
--
作者：
Elizabeth Soper;Stanley Fujimoto;Yen
通讯作者：
Yen
众包德国和法国遗产语料库的 OCR 黄金标准
DOI：
--
发表时间：
2016
期刊：
International Conference on Language Resources and Evaluation
影响因子：
--
作者：
S. Clematide;Lenz Furrer;M. Volk
通讯作者：
M. Volk
ICDAR2017 OCR后文本校正竞赛
DOI：
10.1109/icdar.2017.232
发表时间：
2017
期刊：
2017 14th IAPR International Conference on Document Analysis and Recognition (ICDAR)
影响因子：
--
作者：
Guillaume Chiron;A. Doucet;Mickaël Coustaty;Jean
通讯作者：
Jean
ICDAR 2019 OCR 后文本校正竞赛
DOI：
10.1109/icdar.2019.00255
发表时间：
2017
期刊：
2019 International Conference on Document Analysis and Recognition (ICDAR)
影响因子：
--
作者：
Christophe Rigaud;A. Doucet;Mickaël Coustaty;Jean
通讯作者：
Jean