OCR誤りに対してロバストな文書画像を対象としたモデルベースト情報抽出

概要

論文の詳細を見る
本論文では、多様な紙文書から所望のキーワードとその関係構造を抽出することを目的とした新しい情報抽出方式を提案する。提案方式は、紙文書を文書画像に変換したあと、文字認識技術を用いて文書画像を電子テキストに変換し、それに対して抽出すべきキーワードとその関係構造で構成された文書モデルを適用して情報抽出を行う。本方式は、文書中に含まれる文字認識誤りや未知語や複合語などを適切に扱って高精度な情報抽出結果を得るために、以下の3つの機能で構成されている。まず典型的な文字認識誤りを用いて拡張されたキーワードや部分キーワードで構成されるキーワード辞書を用いて、文字認識候補で構成される2次元のテキストに対してキーワードマッチングを行う。そして、キーワードマッチング結果と文書モデルの間でモデルマッチングを行うことによりキーワードマッチング結果の大域的な整合性を獲得する。最後に、ヒューリスティクルールを用いてモデルマッチング後処理を行うことでキーワードマッチング結果を変更し、さらにキーワードマッチング誤りを解消する。本方式ではこれらの機能を相補的に組み合わせることで、上述した文字認識誤り、未知語、複合語などの問題に対して頑健な情報抽出方式を実現している。また、多様な日本語名刺画像を対象とした実験により本方式の有効性を確認することができた。
社団法人電子情報通信学会の論文
2002-03-07

OCR誤りに対してロバストな文書画像を対象としたモデルベースト情報抽出

スポンサーリンク

概要

著者

関連論文

スポンサーリンク