OCR ടെക്സ്റ്റ് ഡിറ്റക്ഷൻ & ട്രാൻസ്ക്രിപ്ഷൻ അനോട്ടേഷൻ
99% കൃത്യതയിൽ പ്രൊഡക്ഷൻ-ഗ്രേഡ് OCR ആയും ഡോക്യുമെന്റ് ഇന്റലിജൻസ് ഡാറ്റാസെറ്റായും നിർമ്മിച്ച, അച്ചടിച്ച പ്രമാണങ്ങൾ, കൈയക്ഷരം, സൈനേജ്, ലൈസൻസ് പ്ലേറ്റുകൾ, രസീതുകൾ എന്നിങ്ങനെ വൈവിധ്യമാർന്ന ടെക്സ്റ്റ് സ്രോതസ്സുകളിലുടനീളം വേഡ്-ലെവൽ ബൗണ്ടിംഗ് ബോക്സ് + പ്രതീക-ലെവൽ ട്രാൻസ്ക്രിപ്ഷൻ വ്യാഖ്യാനം ഷൈപ്പ് എങ്ങനെയാണ് നൽകിയത്.
പ്രോജക്റ്റ് അവലോകനം
OCR ക്ലീൻ പ്രിന്റ് ചെയ്ത ഡോക്യുമെന്റുകൾക്ക് അപ്പുറം യഥാർത്ഥ ലോക ദൃശ്യ വാചകത്തിലേക്കും ഡോക്യുമെന്റ് ഇന്റലിജൻസിലേക്കും നീങ്ങുമ്പോൾ, ക്ലയന്റിന് വൈവിധ്യമാർന്ന ടെക്സ്റ്റ് തരങ്ങൾ, ഫോണ്ടുകൾ, ഓറിയന്റേഷനുകൾ, ഭാഷകൾ, ഉപരിതല അവസ്ഥകൾ എന്നിവ സ്പേഷ്യൽ, ക്യാരക്ടർ-ലെവൽ കൃത്യതയോടെ കൈകാര്യം ചെയ്യാൻ കഴിവുള്ള ഒരു അനോട്ടേഷൻ പൈപ്പ്ലൈൻ ആവശ്യമായി വന്നു.
വേഡ്-ലെവൽ ബൗണ്ടിംഗ് ബോക്സ് പ്ലേസ്മെന്റ്, കൃത്യമായ പ്രതീക ട്രാൻസ്ക്രിപ്ഷൻ, മൾട്ടി-ആട്രിബ്യൂട്ട് ടാഗിംഗ്, ഡ്യുവൽ സ്പേഷ്യൽ + ട്രാൻസ്ക്രിപ്ഷൻ ക്യുഎ എന്നിവ ഉൾക്കൊള്ളുന്ന എൻഡ്-ടു-എൻഡ് അനോട്ടേഷൻ പൈപ്പ്ലൈൻ ഷൈപ്പ് നിർമ്മിച്ചു - 10+ ടെക്സ്റ്റ് സോഴ്സ് തരങ്ങളിലുടനീളം മോഡൽ-റെഡി OCR ഡാറ്റാസെറ്റുകൾ നിർമ്മിക്കുന്നു.
പ്രധാന സ്ഥിതിവിവരക്കണക്കുകൾ
ചിത്രത്തിനനുസരിച്ചുള്ള വ്യാഖ്യാനം
100 വാക്കുകൾ
കൃത്യതാ പരിധി
99%
ടെക്സ്റ്റ് ഉറവിടങ്ങൾ
10 +
ആട്രിബ്യൂട്ട് ലെയറുകൾ
5
വെല്ലുവിളികൾ
- വ്യാഖ്യാനിക്കുന്നു ദൃശ്യമാകുന്ന ഓരോ വാചക ഉദാഹരണവും പദ തലത്തിൽ — ഒരു സാന്ദ്രമായ ചിത്രത്തിന് നൂറുകണക്കിന്
- സംയോജിപ്പിക്കുന്നു സ്പേഷ്യൽ ബൗണ്ടിംഗ് ബോക്സ് കൃത്യത കൂടെ കൃത്യമായ പ്രതീക-തല ട്രാൻസ്ക്രിപ്ഷൻ സമാന്തരമായി
- കൈകാര്യം വളഞ്ഞതും, വീക്ഷണകോണിൽ നിന്ന് വളച്ചൊടിച്ചതും, തിരിക്കുന്നതുമായ വാചകം സൈൻബോർഡുകളിലും ഉൽപ്പന്ന ലേബലുകളിലും
- ട്രാൻസ്ക്രൈബുചെയ്യുന്നു മങ്ങിയത്, കുറഞ്ഞ ദൃശ്യതീവ്രത, ഭാഗികമായി അടഞ്ഞത് വായിക്കാൻ കഴിയാത്ത കഥാപാത്രങ്ങളെ ഊഹിക്കാതെ വാക്കുകൾ
- മാനേജിങ് മിക്സഡ്-ലാംഗ്വേജ്, മൾട്ടി-സ്ക്രിപ്റ്റ് ടെക്സ്റ്റ് അതേ ചിത്രത്തിനുള്ളിൽ
പരിഹാരം
വേഡ്-ലെവൽ സ്പേഷ്യൽ അനോട്ടേഷൻ
ഓരോ ചിത്രത്തിലും ദൃശ്യമാകുന്ന ഓരോ വാചക ഉദാഹരണവും വേഡ് ലെവലിൽ കർശനമായി ഘടിപ്പിച്ച ഒരു ബൗണ്ടിംഗ് ബോക്സ് ഉപയോഗിച്ച് വ്യക്തിഗതമായി വ്യാഖ്യാനിച്ചിട്ടുണ്ട് - ഓരോ വാചക ഘടകത്തിന്റെയും കൃത്യമായ സ്പേഷ്യൽ സ്ഥാനം പകർത്തുന്നു. രസീതുകൾ അല്ലെങ്കിൽ ഫോമുകൾ പോലുള്ള ഇടതൂർന്ന ചിത്രങ്ങൾക്ക്, ഇത് ഓരോ ചിത്രത്തിനും നൂറുകണക്കിന് വ്യക്തിഗത വ്യാഖ്യാനങ്ങൾ അർത്ഥമാക്കുന്നു, ഓരോന്നും അടിസ്ഥാന വിന്യാസ കൃത്യത നിലനിർത്തുന്നു.
കഥാപാത്ര തല ട്രാൻസ്ക്രിപ്ഷൻ
ബൗണ്ടിംഗ് ബോക്സിനൊപ്പം, അക്കങ്ങൾ, പ്രത്യേക പ്രതീകങ്ങൾ, ചിഹ്നനം, ആൽഫാന്യൂമെറിക് കോമ്പിനേഷനുകൾ എന്നിവയുൾപ്പെടെ ഓരോ പദത്തിന്റെയും കൃത്യമായ വാചക ഉള്ളടക്കം അനോട്ടേറ്റർമാർ പകർത്തിയെഴുതി. ഈ ഇരട്ട വർക്ക്ഫ്ലോ - സ്പേഷ്യൽ + ട്രാൻസ്ക്രിപ്ഷൻ - രണ്ട് ലെയറുകളിലുമുള്ള സ്ഥിരത നിയമങ്ങൾക്ക് സമാന്തരമായി നിർവഹിച്ചു.
മൾട്ടി-സോഴ്സ് കവറേജ്
അച്ചടിച്ച രേഖകൾ, കൈയെഴുത്ത് കുറിപ്പുകൾ, തെരുവ് അടയാളങ്ങൾ, ഉൽപ്പന്ന ലേബലുകൾ, ലൈസൻസ് പ്ലേറ്റുകൾ, കടയുടെ മുൻഭാഗങ്ങൾ, ബിൽബോർഡുകൾ, രസീതുകൾ, ഇൻവോയ്സുകൾ, മെനുകൾ, ഫോം ഫീൽഡുകൾ എന്നിങ്ങനെ വൈവിധ്യമാർന്ന സ്രോതസ്സുകളുടെ ഒരു ശ്രേണിയിലായിരുന്നു കവറേജ്. ഓരോ സ്രോതസ്സ് തരത്തിനും അതിന്റെ ദൃശ്യ സവിശേഷതകൾക്കനുസരിച്ച് ട്യൂൺ ചെയ്ത സ്വന്തം വ്യാഖ്യാന മാർഗ്ഗനിർദ്ദേശങ്ങൾ ഉണ്ടായിരുന്നു.
5-ലെയർ ആട്രിബ്യൂട്ട് ടാഗിംഗ്
ഓരോ വ്യാഖ്യാനിച്ച ടെക്സ്റ്റ് മേഖലയും ടെക്സ്റ്റ് ഓറിയന്റേഷൻ (തിരശ്ചീന, ലംബ, ഡയഗണൽ), ഭാഷ, സ്ക്രിപ്റ്റ് തരം, ടെക്സ്റ്റ് വ്യക്തത (വ്യക്തമായി വായിക്കാൻ കഴിയുന്ന, ഭാഗികമായി വായിക്കാൻ കഴിയുന്ന, പൂർണ്ണമായും വായിക്കാൻ കഴിയാത്ത), ഫോണ്ട് ശൈലി (പ്രിന്റ് ചെയ്തതും കൈയക്ഷരവും), ടെക്സ്റ്റ് പശ്ചാത്തല തരം (പ്ലെയിൻ, പാറ്റേൺ ചെയ്തതും, സങ്കീർണ്ണമായതും) എന്നിവ ഉൾക്കൊള്ളുന്ന ആട്രിബ്യൂട്ടുകൾ കൊണ്ട് സമ്പുഷ്ടമാക്കി. സ്റ്റാൻഡേർഡ് ഡോക്യുമെന്റ് OCR-നപ്പുറം വൈവിധ്യമാർന്ന യഥാർത്ഥ ലോക ടെക്സ്റ്റ് അവസ്ഥകൾ കൈകാര്യം ചെയ്യാൻ പരിശീലനം ലഭിച്ച മോഡലിനെ ഈ സമ്പന്നമായ ആട്രിബ്യൂട്ട് ലെയർ പ്രാപ്തമാക്കുന്നു.
ദൃശ്യപരത പരിധി & ഇരട്ട QA
കർശനമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ മിനിമം ദൃശ്യപരത പരിധികളെ നിയന്ത്രിക്കുന്നു - ഡാറ്റാസെറ്റ് സമഗ്രത നിലനിർത്തിക്കൊണ്ട്, അവ്യക്തമായ വാചകം ഊഹിക്കുന്നതിനുപകരം ഫ്ലാഗ് ചെയ്തു. ഓരോ വ്യാഖ്യാന ചിത്രവും ബൗണ്ടിംഗ് ബോക്സ് കൃത്യതാ അവലോകനവും ട്രാൻസ്ക്രിപ്ഷൻ കൃത്യതാ മൂല്യനിർണ്ണയവും സംയോജിപ്പിച്ച് രണ്ട് ലെവൽ QA പ്രക്രിയയിലൂടെ കടന്നുപോയി, രണ്ട് ലെയറുകളിലും 99% കൃത്യതാ പരിധി ഉണ്ടായിരുന്നു.
പദ്ധതി വ്യാപ്തി
| ഡാറ്റാസെറ്റ് തരം | വ്യാഖ്യാന ലെവൽ | ഉറവിടങ്ങൾ | ഗുണവിശേഷങ്ങൾ | QA | കൃതത |
|---|---|---|---|---|---|
| OCR ടെക്സ്റ്റ് ഡിറ്റക്ഷൻ + ട്രാൻസ്ക്രിപ്ഷൻ | വേഡ് ബോക്സുകൾ + പ്രതീക ട്രാൻസ്ക്രിപ്ഷൻ | 10+ ഉറവിട തരങ്ങൾ | 5 ആട്രിബ്യൂട്ട് ലെയറുകൾ | ഡ്യുവൽ സ്പേഷ്യൽ + ട്രാൻസ്ക്രിപ്ഷൻ ക്യുസി | 99% |
ഫലങ്ങൾ
- സ്ഥാപിച്ചത് ഡ്യുവൽ വേഡ്-ലെവൽ സ്പേഷ്യൽ + ക്യാരക്ടർ-ലെവൽ ട്രാൻസ്ക്രിപ്ഷൻ പൈപ്പ്ലൈൻ OCR AI-യ്ക്ക്
- സ്റ്റാൻഡേർഡ് 10+ ടെക്സ്റ്റ് ഉറവിട കവറേജ് വ്യാപിച്ചുകിടക്കുന്ന പ്രമാണങ്ങൾ, ദൃശ്യ വാചകം, കൈയക്ഷരം
- കൈമാറി 5 ആട്രിബ്യൂട്ട് ലെയറുകൾ ഓറിയന്റേഷൻ, ഭാഷ, വ്യക്തത, ഫോണ്ട്, പശ്ചാത്തലം എന്നിവയ്ക്കായി
- പരിപാലിക്കുന്നത് 99% കൃത്യത ഗേറ്റ് സ്പേഷ്യൽ, ട്രാൻസ്ക്രിപ്ഷൻ QA ലെയറുകളിൽ ഉടനീളം
- ക്ലയന്റിന്റെ ഡോക്യുമെന്റ് ഡിജിറ്റൈസേഷൻ, റീട്ടെയിൽ OCR, നാവിഗേഷൻ, ബാങ്കിംഗ്, നിയമപരമായ AI അപ്ലിക്കേഷനുകൾ
മൊത്തത്തിൽ, മൾട്ടി-സോഴ്സ് ടെക്സ്റ്റ് അനോട്ടേഷൻ ആവശ്യകതയെ ഘടനാപരമായ, പ്രൊഡക്ഷൻ-റെഡി OCR പൈപ്പ്ലൈനാക്കി മാറ്റാൻ Shaip സഹായിച്ചു - ഡോക്യുമെന്റ് ഡിജിറ്റൈസേഷൻ, സീൻ ടെക്സ്റ്റ് ഡിറ്റക്ഷൻ, റീട്ടെയിൽ ഇന്റലിജൻസ്, ബാങ്കിംഗ് ഓട്ടോമേഷൻ, നിയമപരമായ കംപ്ലയൻസ് AI എന്നിവയെ ഇരട്ട സ്പേഷ്യൽ-ആൻഡ്-ട്രാൻസ്ക്രിപ്ഷൻ കൃത്യതയോടെ പിന്തുണയ്ക്കാൻ കഴിവുള്ള ഒന്ന്.
മിക്ക ദാതാക്കൾക്കും കഴിയാത്ത OCR എഡ്ജ് കേസുകൾ - വളഞ്ഞ സൈനേജ് ടെക്സ്റ്റ്, മിക്സഡ് സ്ക്രിപ്റ്റുകൾ, മങ്ങിയ രസീതുകൾ, കൈകൊണ്ട് എഴുതിയ കുറിപ്പുകൾ - Shaip കൈകാര്യം ചെയ്തു. ബൗണ്ടിംഗ് ബോക്സുകളിലും ട്രാൻസ്ക്രിപ്ഷനുകളിലും അവരുടെ ഇരട്ട QA ഞങ്ങൾക്ക് വിന്യസിക്കാൻ കഴിയുന്ന പരിശീലന ഡാറ്റ നൽകി.
