公开(公告)号：CN110781898A

公开(公告)日：2020-02-11

申请号：CN201911009431.3

申请日：2019-10-21

Applicant: 南京大学

Inventor： 葛季栋 ,  李传艺 ,  姚林霞 ,  乔洪波 ,  杨关 ,  熊凯奇 ,  周筱羽 ,  骆斌

IPC: G06K9/34 ,  G06K9/38 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04

Abstract: 收集了来自法律领域2014年至2018年不同地区的卷宗扫描件，涵盖几十种分辨率，基于大量的法律卷宗数据，并结合法律文书，融入领域知识，来进行对中文OCR后处理的研究。基于经典模型以及成熟OCR(Tesseract、百度OCR)，构建了OCR识别模型。获取大量多样性的Witnesses，免去人工的标注。基于OCR识别系统的结果，提出一种基于无监督的多输入OCR纠错方法，构建OCR纠错模型，可以避免人为的大量标记。实验结果表明，在我们的语料库上，提出的非监督的学习模型，在准确率上有一定的提高。也进一步表明了，采用这种多输入无监督的学习方法可以很好地对OCR的识别结果进行纠正。