論文の概要: Improving OCR Accuracy Through Multi-Classifier Verification of Visually Similar Characters

• arxiv url: http://arxiv.org/abs/2610.22726v1
• Date: Thu, 15 Oct 2026 22:56:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.694053
• Title: Improving OCR Accuracy Through Multi-Classifier Verification of Visually Similar Characters
• Title（参考訳）: 視覚的類似文字のマルチクラス検証によるOCR精度の向上
• Abstract要約: 視覚的に類似した文字の識別は光学文字認識(OCR)システムにとって永続的な課題である。 我々は,OCR出力における曖昧な文字の検証と修正を行う文字レベルの後処理フレームワークであるキャラクタ検証モデル(CVM)を提案する。 CVMは辞書検証とは独立して動作し、シリアル番号、アルファ数値コード、ライセンスプレートを含む非語彙データに適合する。
• 参考スコア（独自算出の注目度）: 0.29316801942271303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distinguishing visually similar characters is a persistent challenge for optical character recognition (OCR) systems, causing errors in critical applications of text digitization. While preprocessing techniques improve image quality and word-level post-processing corrects spelling errors, neither addresses character-level visual ambiguity, an intrinsic property of certain character pairs that limits even state-of-the-art OCR models. We present the Character Verification Model (CVM), a character-level post-processing framework that verifies and corrects ambiguous characters in OCR outputs using specialized binary classifiers trained on visually confusable pairs such as 'O'/'0', 'Z'/'2', and 'S'/'5'. CVM operates independently of dictionary validation, making it suitable for non-lexical data including serial numbers, alphanumeric codes, and license plates. Experiments on three OCR engines (Tesseract, EasyOCR, TrOCR) and ten fonts with low to high complexity demonstrate accuracy improvements of 3.95-14.81 percentage points, with an 87.3% correction rate for visually similar character errors and a false-correction rate of only 2.3%. The modular architecture integrates with existing OCR pipelines without modification to underlying recognition models.
• Abstract（参考訳）: 視覚的に類似した文字を識別することは、光学文字認識(OCR)システムにとって永続的な課題であり、テキストデジタル化の重要な応用においてエラーを引き起こす。 前処理技術は画像の品質を改善し、単語レベルの後処理はスペルエラーを補正するが、文字レベルの視覚的曖昧さには対処しない。 本稿では,OCR出力における曖昧な文字の検証と修正を行う文字レベルの後処理フレームワークであるキャラクタ検証モデル(CVM)について,視覚的に不利なペアである 'O'/'0', 'Z'/'2', 'S'/'5' を訓練した特殊二項分類器を用いて提案する。 CVMは辞書検証とは独立して動作し、シリアル番号、アルファ数値コード、ライセンスプレートを含む非語彙データに適合する。 3基のOCRエンジン(Tesseract, EasyOCR, TrOCR)と10基の低複雑さフォントの実験では、3.95-14.81ポイントの精度向上と87.3%の修正率と2.3%の偽補正率を示した。 モジュールアーキテクチャは、基盤となる認識モデルを変更することなく、既存のOCRパイプラインと統合する。

関連論文リスト

• TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
  TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。 TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
  論文  参考訳（メタデータ） (2026-08-08T04:50:00Z)
• Error Patterns in Historical OCR: A Comparative Analysis of TrOCR and a Vision-Language Model [0.07874708385247352]
  18世紀の印刷テキストのOCRは、劣化した印刷品質、古式グリフ、標準化されていない正書法のために、依然として困難である。 我々は,OCRトランス (TrOCR) と汎用視覚言語モデル (Qwen) を比較した。 TrOCRは、より一貫して正書法的忠実性を維持するが、カスケードエラー伝播の傾向が強い。
  論文  参考訳（メタデータ） (2026-02-16T07:17:52Z)
• Mixed Text Recognition with Efficient Parameter Fine-Tuning and Transformer [12.966765239586994]
  本稿では,事前学習したOCR変換器に基づくパラメータ効率の高いハイブリッドテキストスポッティング手法であるDLoRA-TrOCRを提案する。 重み分解されたDoRAモジュールを画像エンコーダに、LoRAモジュールをテキストデコーダに埋め込むことで、様々な下流タスクを効率的に微調整することができる。 実験により,提案したDLoRA-TrOCRは,手書き,印刷,ストリートテキストを混合した複雑なシーン認識において,他のパラメータ効率の高い微調整手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-19T09:28:16Z)
• Self-supervised Character-to-Character Distillation for Text Recognition [54.12490492265583]
  そこで本研究では,テキスト表現学習を容易にする汎用的な拡張を可能にする,自己教師型文字-文字-文字間蒸留法CCDを提案する。 CCDは、テキスト認識の1.38%、テキストセグメンテーションの1.7%、PSNRの0.24dB、超解像の0.0321(SSIM)で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-11-01T05:48:18Z)
• Lexically Aware Semi-Supervised Learning for OCR Post-Correction [90.54336622024299]
  世界中の多くの言語における既存の言語データの多くは、非デジタル化された書籍や文書に閉じ込められている。 従来の研究は、あまり良くない言語を認識するためのニューラル・ポスト・コレクション法の有用性を実証してきた。 そこで本研究では,生画像を利用した半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-04T04:39:02Z)
• I2C2W: Image-to-Character-to-Word Transformers for Accurate Scene Text Recognition [68.95544645458882]
  本稿では,シーンの様々なノイズに対して正確かつ耐性のある新しいシーンテキスト認識装置I2C2Wについて述べる。 i2c2wはイメージ・ツー・キャラクタモジュール(i2c)と文字・ワードモジュール(c2w)から構成される。
  論文  参考訳（メタデータ） (2021-05-18T09:20:58Z)
• Rethinking Text Line Recognition Models [57.47147190119394]
  2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。 広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。 より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
  論文  参考訳（メタデータ） (2021-04-15T21:43:13Z)
• Neural OCR Post-Hoc Correction of Historical Corpora [4.427447378048202]
  本稿では,再カレント(RNN)と深部畳み込みネットワーク(ConvNet)を組み合わせたニューラルアプローチを提案する。 我々のモデルは多様なOCR転写誤りを捕捉し、単語誤り率を32.3%減らして89%以上削減できることを示す。
  論文  参考訳（メタデータ） (2021-02-01T01:35:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。