Improving Handwritten Cyrillic OCR by Font-based Synthetic Text Generator
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43969586" target="_blank" >RIV/49777513:23520/23:43969586 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-031-50320-7_8" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-50320-7_8</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-50320-7_8" target="_blank" >10.1007/978-3-031-50320-7_8</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improving Handwritten Cyrillic OCR by Font-based Synthetic Text Generator
Popis výsledku v původním jazyce
In this paper, we propose a straight-forward and effective Font-based Synthetic Text Generator (FbSTG) to alleviate the need for annotated data required for not just Cyrillic handwritten text recognition. Unlike standard GAN-based methods, the FbSTG does not have to be trained to learn new characters and styles; all it needs is the fonts, the text, and sampled page backgrounds. In order to show the benefits of the newly proposed method, we train and test two different OCR systems (Tesseract, and TrOCR) on the Handwritten Kazakh and Russian dataset (HKR) both with and without synthetic data. Besides, we evaluate both systems' performance on a private NKVD dataset containing historical documents from Ukraine with a high amount of out-of-vocabulary (OoV) words representing an extremely challenging task for current state-of-the-art methods. We decreased the CER and WER significantly by adding the synthetic data with the TrOCR-Base-384 model on both datasets. More precisely, we reduced the relative error in terms of CER / WER on (i) HKR-Test1 with OoV samples by around 20% / 10%, and (ii) NKVD dataset by 24% CER and 8% WER. The FbSTG code is available at: https://github.com/mhlzcu/doc_gen.
Název v anglickém jazyce
Improving Handwritten Cyrillic OCR by Font-based Synthetic Text Generator
Popis výsledku anglicky
In this paper, we propose a straight-forward and effective Font-based Synthetic Text Generator (FbSTG) to alleviate the need for annotated data required for not just Cyrillic handwritten text recognition. Unlike standard GAN-based methods, the FbSTG does not have to be trained to learn new characters and styles; all it needs is the fonts, the text, and sampled page backgrounds. In order to show the benefits of the newly proposed method, we train and test two different OCR systems (Tesseract, and TrOCR) on the Handwritten Kazakh and Russian dataset (HKR) both with and without synthetic data. Besides, we evaluate both systems' performance on a private NKVD dataset containing historical documents from Ukraine with a high amount of out-of-vocabulary (OoV) words representing an extremely challenging task for current state-of-the-art methods. We decreased the CER and WER significantly by adding the synthetic data with the TrOCR-Base-384 model on both datasets. More precisely, we reduced the relative error in terms of CER / WER on (i) HKR-Test1 with OoV samples by around 20% / 10%, and (ii) NKVD dataset by 24% CER and 8% WER. The FbSTG code is available at: https://github.com/mhlzcu/doc_gen.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Lecture Notes in Computer Science
ISBN
978-3-031-50319-1
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
14
Strana od-do
102-115
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Prague, Czech Republic
Datum konání akce
3. 9. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—