統計的言語モデルを用いたOCR誤り訂正システムの構築 (<特集>新しいシステムソフトウェア)

概要

論文の詳細を見る
近年, インターネットの普及により, OCRを用いたテキストの電子化がますます重要な課題となってきた. 日本語におけるOCR誤り訂正の先行研究には, OCRの文字候補と品詞タグ付きコーパスを利用した研究がある. しかしながら, 分野が異なれば単語の出現分布などが変わることから, 誤り訂正を行う分野と同分野のタグ付きコーパスを用意する必要があり, それには大変コストがかかる. また, 分野によっては統計学習に必要な電子化テキストデータがない場合も多い. そこで, まず我々は学習用として電子化された大量テキストデータを仮定したOCR誤り訂正システムを構築し, ランダムに生成された文字置換誤りテキストに対する訂正実験を行った. 次に, 電子化テキストがない分野に対して, OCR処理された誤りを含むテキストを学習に利用するシステムを作成し評価を行った. システムは, 文字trigram, 統計的形態素解析システム, 単語trigramを用いた. 大量テキストを仮定したシステムでは, 90%の文字読み取り精度のテキストを92.9%まで改善し, 95%の精度のテキストを96.4%にまで改善した. また, 電子化テキストデータがない場合について, 実際のOCR処理されたテキストに対する訂正実験を行い, その有効性を示す.
一般社団法人情報処理学会の論文
1999-06-15

統計的言語モデルを用いたOCR誤り訂正システムの構築 (<特集>新しいシステムソフトウェア)

スポンサーリンク

概要

著者

関連論文

スポンサーリンク