Automatic Information Extraction from Scanned Documents

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F20%3A43959827" target="_blank" >RIV/49777513:23520/20:43959827 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/book/10.1007/978-3-030-60276-5" target="_blank" >https://link.springer.com/book/10.1007/978-3-030-60276-5</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-60276-5_9" target="_blank" >10.1007/978-3-030-60276-5_9</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Automatic Information Extraction from Scanned Documents

Popis výsledku v původním jazyce

This paper deals with the task of information extraction from a structured document scanned by an ordinary office scanner device. It explores the processing pipeline from scanned paper documents to the extraction of searched information such as names, addresses, dates, and other numerical values. We propose system design decomposed into four consecutive modules: preprocessing, optical character recognition, information extraction with a database, and information extraction without a database. In the preprocessing module, two essential techniques are presented – image quality improvement and image deskewing. Optical Character Recognition solutions and approaches to information extraction are compared using the whole system performance. The best performance of information extraction with the database was obtained by the Locality-sensitive Hashing algorithm.

Název v anglickém jazyce

Automatic Information Extraction from Scanned Documents

Popis výsledku anglicky

This paper deals with the task of information extraction from a structured document scanned by an ordinary office scanner device. It explores the processing pipeline from scanned paper documents to the extraction of searched information such as names, addresses, dates, and other numerical values. We propose system design decomposed into four consecutive modules: preprocessing, optical character recognition, information extraction with a database, and information extraction without a database. In the preprocessing module, two essential techniques are presented – image quality improvement and image deskewing. Optical Character Recognition solutions and approaches to information extraction are compared using the whole system performance. The best performance of information extraction with the database was obtained by the Locality-sensitive Hashing algorithm.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/LO1506" target="_blank" >LO1506: Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Speech and Computer, 22nd International Conference, SPECOM 2020, St. Peterburg, Russia, October 7-9,2020, Proceedings

ISBN

978-3-030-60275-8

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

10

Strana od-do

87-96

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Saint Petersburg, Russia

Datum konání akce

7. 10. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—