|
|
Rozpoznávání ručně psaného textu pomocí konvolučních sítí
Sladký, Jan ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním ručně psaného textu za pomoci konvolučních neuronových sítí. Ze současných metod byl vybrán model sítě skládající se z konvolučních a rekurentních sítí s Connectionist Temporal Classification. Do takovéhoto modelu byl následně implementován prvek Vertical Attention Module, který vybírá relevantní informace v každém sloupci odpovídající textu na obrázku. Tento modul byl následně pomocí experimentů porovnáván s dalšími možnostmi vertikální agregace mezi konvoluční a rekurentní sítí. Experimenty probíhaly na datové sadě obsahující přes 80 000 řádků textu z českých dopisů 20. století. Výsledky ukazují, že Vertical Attention Module dosahuje téměř vždy nejlepších výsledků na všech použitých typech konvolučních sítí. Výsledná síť dosáhla nejlepšího výsledku při chybě 8,9% na znak. Přínosem této práce je neuronová síť s nově zavedeným prvkem, která dokáže rozpoznávat řádky textu.
|
|
|
Deep Networks for Handwriting Recognition
Richtarik, Lukáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
The work deals with the issue of handrwritten text recognition problem with deep neural networks. It focuses on the use of sequence to sequence method using encoder-decoder model. It also includes design of encoder-decoder model for handwritten text recognition using a transformer instead of recurrent neurons and a set of experiments that were performed on it.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Automatický přepis dodacích listů
Necpál, Dávid ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cieľom tejto bakalárskej práce je vytvorenie systému pre automatický prepis dodacích listov - dokumentov s pevnou štruktúrou. Riešenie práce je rozdelené do dvoch častí. Prvou časťou je detekcia čiar tabuliek a z nich následná detekcia a extrakcia buniek, ktoré obsahujú požadované dáta. Druhá časť je samotné rozpoznanie ručne písaných numerických znakov v obrázkoch vyrezaných buniek. Výsledný systém dokáže pri kvalitne naskenovaných dodacích listoch detegovať bunky s požadovanými údajmi s presnosťou 100 %, pričom úspešnosť samotného rozpoznávania numerických znakov je viac ako 95 % pre samostatné znaky a vyše 92 % pre celé sekvencie znakov. Prínosom tejto práce je systém pre automatický prepis dodacích listov, ktorý zabezpečuje rýchlejšie a jednoduchšie inak zdĺhavé "prepisovanie obsahu dodacích listov do informačného systému maloobchodu. Využitím tohoto systému ušetrí pracovník na každom dodacom liste viac než 50 % času.
|
|
|
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.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Deep Networks for Handwriting Recognition
Richtarik, Lukáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
The work deals with the issue of handrwritten text recognition problem with deep neural networks. It focuses on the use of sequence to sequence method using encoder-decoder model. It also includes design of encoder-decoder model for handwritten text recognition using a transformer instead of recurrent neurons and a set of experiments that were performed on it.
|
|
|
Rozpoznávání ručně psaného textu pomocí konvolučních sítí
Sladký, Jan ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním ručně psaného textu za pomoci konvolučních neuronových sítí. Ze současných metod byl vybrán model sítě skládající se z konvolučních a rekurentních sítí s Connectionist Temporal Classification. Do takovéhoto modelu byl následně implementován prvek Vertical Attention Module, který vybírá relevantní informace v každém sloupci odpovídající textu na obrázku. Tento modul byl následně pomocí experimentů porovnáván s dalšími možnostmi vertikální agregace mezi konvoluční a rekurentní sítí. Experimenty probíhaly na datové sadě obsahující přes 80 000 řádků textu z českých dopisů 20. století. Výsledky ukazují, že Vertical Attention Module dosahuje téměř vždy nejlepších výsledků na všech použitých typech konvolučních sítí. Výsledná síť dosáhla nejlepšího výsledku při chybě 8,9% na znak. Přínosem této práce je neuronová síť s nově zavedeným prvkem, která dokáže rozpoznávat řádky textu.
|
|
|
Automatický přepis dodacích listů
Necpál, Dávid ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cieľom tejto bakalárskej práce je vytvorenie systému pre automatický prepis dodacích listov - dokumentov s pevnou štruktúrou. Riešenie práce je rozdelené do dvoch častí. Prvou časťou je detekcia čiar tabuliek a z nich následná detekcia a extrakcia buniek, ktoré obsahujú požadované dáta. Druhá časť je samotné rozpoznanie ručne písaných numerických znakov v obrázkoch vyrezaných buniek. Výsledný systém dokáže pri kvalitne naskenovaných dodacích listoch detegovať bunky s požadovanými údajmi s presnosťou 100 %, pričom úspešnosť samotného rozpoznávania numerických znakov je viac ako 95 % pre samostatné znaky a vyše 92 % pre celé sekvencie znakov. Prínosom tejto práce je systém pre automatický prepis dodacích listov, ktorý zabezpečuje rýchlejšie a jednoduchšie inak zdĺhavé "prepisovanie obsahu dodacích listov do informačného systému maloobchodu. Využitím tohoto systému ušetrí pracovník na každom dodacom liste viac než 50 % času.
|
host ::
RSS.