Page image classification for content-specific data processing

Abstract

Digitalizační projekty v humanitních vědách, konkrétně v oblasti archeologie, často generují obrovské množství nasnímaných stran z historických dokumentů, což představuje značnou výzvu pro manuální třídění a analýzu. Hlavním cílem tohoto projektu je řešit tuto potřebu vývojem a vyhodnocením automatizovaného systému pro klasifikaci obrazů, který je navržen tak, aby kategorizoval strany historických dokumentů na základě jejich obsahu, a tím umožnil na míru přizpůsobené navazující analytické postupy. Tyto archivy obsahují různorodý obsah, včetně různých typů textu (rukopisný, strojopisný, tištěný), grafických prvků (kresby, mapy, fotografie) a rozvržení (prostý text, tabulky, formuláře). Díky využití pokroků v architekturách neuronových sítí tento systém usnadňuje pracovní postupy specifické pro daný obsah, jako je oddělení stran vyžadujících optické rozpoznávání znaků (OCR) od těch, které potřebují grafickou analýzu. Výsledné modely, datové sady a software jsou uvolněny pod open-source licencemi na podporu širší komunity v oblasti digitálních humanitních věd.