低资源语言的零样本 OCR 准确性：僧加罗语和泰米尔语的比较分析-计算机科学-机器学习-光学字符识别.pdfVIP

低资源语言的零样本OCR准确性：僧加罗语和泰米尔语的比较分析

NeviduJayatillekeandNisansadeSilva

DepartmentofComputerScienceEngineering

UniversityofMoratuwa

SriLanka

{nevidu.25,NisansaDdS}@cse.mrt.ac.lk

Abstract中提取有价值的数据，例如表格、收据、发票和

护照。历史上，OCR（连同文本转语音系统）是

解决针对拉丁字母及其衍生脚本的印刷文

为了帮助盲人或残疾人而创建的，通过使机器

本光学字符识别（OCR）问题现在可以被

认为已经得到了解决，这是由于对英语和能够大声朗读书面文字来提供便利，这一发展

其他高资源语言（HRL）进行了大量研究。可以追溯到1914年～(MittalandGarg,2020)。

本然而，对于使用独特脚本的低资源语言OCR过程通常涉及多个步骤：1）首先是

译（LRL），这仍然是一个开放性问题。这项图像采集，捕获图像。2）接下来是预处理，这

中研究提出了对六种不同OCR引擎在两种一步骤增强了图像质量，并包括二值化以将内

1LRL上的零样本性能进行比较分析：僧伽容与背景分开。3）随后是版面分析，文档被

v罗语和泰米尔语。所选引擎包括商业系统划分为不同的区域。4）下一步是字符级分割，

4

6和开源系统，旨在评估每个类别的优势。将文本分解为行、词和单个字符。5）识别步骤

2CloudVisionAPI、Surya、DocumentAI

8涉及特征提取和分类来识别字符。6）最后，后

1和Tesseract对这两种语言进行了评估，而

.处理改进结果，通常使用语言模型。这些阶段

7SubasaOCR和EasyOCR仅对一种语言

0进行了评估，因为它们存在局限性。这些对于有效的OCR性能至关重要(Jainetal.,

5

2系统的性能使用五种测量技术进行了严格2021;Nazeemetal.,2024)。

:

v分析，以评估字符和单词级别的准确性。虽然OCR系统已经取得了显著进展，特

i

x根据研究结果，对于僧伽罗语，Surya在别是在高资源语言（如英语和法语(Nazeem

r

a

所有指标中表现最佳，其WER为2.61%。etal.,2024)）中，但从复杂或低质量图像、历

相反，DocumentAI在泰米尔语的所有指史文档以及低资源语言中识别文本仍然存在挑

标中表现出色，特别体现在极低的CER战(AgarwalandAnastasopoulos,2024)。在这

（0.78%）上。除了上述分析外，我们还介