|
|
Active Learning pro zpracování archivních pramenů
Hříbek, David ; Zbořil, František (oponent) ; Rozman, Jaroslav (vedoucí práce)
V teto praci je reseno vytvoreni systemu, ktery umoznuje nahrani a anotaci skenu historickych dokumentu a nasledne aktivni doucovani modelu pro rozpoznavani znaku (OCR) na dostupnych anotacich (vyznacenych radcich a jejich prepisech). V praci je popsan proces, klasifikovany techniky a uveden existujici system pro rozpoznavani znaku. Predevsim je kladen duraz na metody strojoveho uceni. Dale jsou vysvetleny metody aktivniho uceni a navrhnut zpusob doucovani OCR modelu z anotovanych skenu. Zbytek prace se zabyva konkretnim navrhem, implementaci, dostupnymi datasety, vyhodnocenim uspesnosti rozpoznavani znaku vlastnorucne vytvoreneho OCR modelu a testovanim celeho systemu.
|
|
|
Neural Networks for Automatic Table Recognition
Piwowarski, Lukáš ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis introduces the reader to the current table recognition techniques mainly used to extract information from historical handwritten and printed tables. We also introduce a method based on graph neural network, which is inspired by the presented techniques. The method consists of three phases: graph initialization, node/edge classification and graph to text transformation phase. In the graph initialization phase, we use the node visibility algorithm and OCR to create an initial graph representation of the input table. In the node and edge classification phase, the nodes and edges are classified, and in the graph to text transformation phase, we fit the graph's nodes into a grid which is then used to produce the final text representation of the table. The implemented model achieved horizontal neighbours detection precision of 68 %, vertical neighbours detection precision of 71 % and cell detection precision of 85 % on the ABP dataset.
|
|
|
Handwritten text recognition using a sliding window
Ďuriš, Denis ; Povoda, Lukáš (oponent) ; Rajnoha, Martin (vedoucí práce)
This bachelor thesis deals with optical character recognition. It focuses on recognizing hand-written text. The theoretical introduction describes the methods used for optical character recognition and selected machine learning methods. Subsequently, the work describes two methods for making cutouts of characters, using a sliding window. Cutouts are used in training and testing datasets of machine learning models. The document includes methods to improve the accuracy of character recognition. The accuracy of the models is evaluated in conclusion. Charcters in cutouts are clasified by an automated recognition program.
|
|
|
Detekce a rozpoznání registrační značky z fotografie
Janíček, Kryštof ; Sochor, Jakub (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a vývojem systému pro detekci a rozpoznání registrační značky vozidla. Tento systém je rozdělen na tři části, kterými jsou detekce registrační značky, segmentace znaků a rozpoznání znaků. Pro detekci registrační značky je použita kaskáda klasifikátorů, která dosahuje úspěšnosti až 95,5% a přesnosti 95,9%. Segmentace znaků je provedena pomocí vyhledávání kontur s úspěšností 93,3% a přesností 96,5%. Pro rozpoznání znaků je využita neuronová síť, která dosahuje úspěšnosti 98,4% pro jednotlivé znaky. Celý systém je schopen detekovat a rozpoznat 81,5% registračních značek v pořízené testovací datové sadě.
|
|
|
Analýza a porovnání snímků z kamery
Novotný, Václav ; Nováček, Petr (oponent) ; Richter, Miloslav (vedoucí práce)
Tato bakalářská práce se zabývá analýzou a porovnáním snímků z kamery. Pojednává o možnostech zpracování obrazu a hardware systému pro sběr dat. V rámci práce je vytvoření databáze snímků a realizování algoritmů, které budou zadané snímky porovnávat s referenčními a zjišťovat jejich identitu.
|
|
|
Automatické rozpoznávání a zpracování faktur
Ščešňák, Vladimír ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
Cílem této práce je navrhnout a implementovat aplikaci pro automatické rozpoznávání a zpracovaní faktur za pomocí využití počítačového vidění. Práce se zabývá analýzou existujících faktur, návrhem a implementaci algoritmů na spravne rozpoznávání výběrem vhodných testovacích vzorků a také návrhem a implementací užívatelského rozhraní.
|
|
|
Active Learning for Work with Archive Materials
Štajerová, Alžbeta ; Hříbek, David (oponent) ; Rozman, Jaroslav (vedoucí práce)
The aim of this Master's thesis is to design and implement an OCR system for archival historical documents containing handwriting text. The first part of the thesis deals with the study of optical character recognition, the process of OCR pipepline. Then the topic of active learning and its methods is described. The thesis reviews the available solutions for recognition of handwritten historical documents. I further describe the neural network architectures used for text detection. The thesis results in the design and subsequent implementation of system for text recognition of historical documents, enabling user annotation, full-text search in annotation records.
|
|
|
Uživatelské rozhraní pro rychlou opravu automatických přepisů textu
Szepsi, Pavol ; Kapinus, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a implementovať webové užívateľské rozhranie pre kontrolu a opravu výstupov OCR, ktoré bude vhodné pre mobilné a dotykové zariadenia. Užívateľské rozhranie využíva varianty výstupu OCR, ktoré môže užívateľ použiť na modifikáciu rozpoznaného textu. Rozhranie je implementované v jazyku JavaScript s využitím frameworku Vue JS. Pre serverovú časť je použitý balíček XAMPP. Pre komunikáciu medzi užívateľským rozhraním a serverom je použitý nástroj Axios. Vytvorené rozhranie umožňuje užívateľom rýchlo a jednoducho opraviť výstupy OCR, či už na počítači alebo na mobilnom zariadení.
|
|
|
Neural Networks for Automatic Table Recognition
Piwowarski, Lukáš ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis introduces the reader to the current table recognition techniques mainly used to extract information from historical handwritten and printed tables. We also introduce a method based on graph neural network, which is inspired by the presented techniques. The method consists of three phases: graph initialization, node/edge classification and graph to text transformation phase. In the graph initialization phase, we use the node visibility algorithm and OCR to create an initial graph representation of the input table. In the node and edge classification phase, the nodes and edges are classified, and in the graph to text transformation phase, we fit the graph's nodes into a grid which is then used to produce the final text representation of the table. The implemented model achieved horizontal neighbours detection precision of 68 %, vertical neighbours detection precision of 71 % and cell detection precision of 85 % on the ABP dataset.
|
|
|
Vytěžování textu ze strojově psaných dokumentů
Kindermann, Hubert ; Blažek, Jan (vedoucí práce) ; Kolomazník, Jan (oponent)
V předložené práci řešíme problém extrakce a rozpoznání znaků z tištěných dokumentů digitalizovaných skenerem nebo fotoaparátem. Uvádíme způsob normalizace osvětlení dokumentů rezistentní vůči šumu. Pokračujeme extrakcí jednotlivých znaků z dokumentu a následně jejich rozpoznáním pomocí systému vícevrstvých neurálních sítí s dopředným šířením. Okrajově se zabýváme zpracováním výsledné množiny rozpoznaných symbolů, které je nezbytné pro další práci s vytěženým textem. Posledním krokem je korekce výstupu založená na okolích jednotlivých znaků. Podařilo se nám implementovat automatický systém obsahující všechny zmíněné komponenty.
|
host ::
RSS.