目的 DBNetの理論を学習した際の備忘録。 OCRを行おうと思い、まず一般的なモデルについて確認したかったが、あまり説明記事が無かったのでまとめてみました。 参照 原論 Liao, M., Wan, Z., Yao, C., Chen, K., & Bai, X. (2019). Real-time Scene Text Detection with Differentiable Binarization. ArXiv. /abs/1911.08947 DBNet(Differentiable Binarization)とは 2019年に発表されたOCRのためのモデル。 １番重要なのは、positiveとnegativeを判断する閾値のマップを深層学習で作成して組み込んだ点。 モデル概要 下図が一般的なOCRモデル(青線)とDBNet(赤線)のinputからoutputへの流れになってい
はじめに最近、LLMへのRAGを用いた文書データの連携等を目的に海外を中心にOCRや文書画像解析技術に関連する新しいサービスが活発にリリースされています。 しかし、その多くは日本語をメインターゲットに開発されているわけではありません。日本語文書は、英数字に加えて、ひらがな、漢字、記号など数千種類の文字を識別する必要があったり、縦書きなど日本語ドキュメント特有のレイアウトに対処する必要があったりと日本語特有の難しさがあります。 ですが、今後、海外の開発者がこれらの課題に対処するため、日本のドキュメント画像解析に特化したものをリリースする可能性は低く、やはり自国の言語向けのサービスは自国のエンジニアが開発すべきだと筆者は考えています。 もちろん、Azure Document Intelligenceをはじめとした、クラウドサービスのドキュメント解析サービスはありますが、クラウドを利用できないユ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
