Automatic Information Extraction from Scanned Documents

Show simple item record
dc.contributor.authorBureš, Lukáš
dc.contributor.authorNeduchal, Petr
dc.contributor.authorMüller, Luděk
dc.date.accessioned2021-02-22T11:00:22Z
dc.date.available2021-02-22T11:00:22Z
dc.date.issued2020
dc.description.abstractTento článek se zabývá úkolem extrakce informací ze strukturovaného dokumentu skenovaného běžným kancelářským skenerem. Zkoumá přístupy zpracování naskenovaných papírových dokumentů a extrakci hledaných informací, jako jsou jména, adresy, data a další číselné hodnoty. Představujeme návrh systému rozděleného do čtyř po sobě jdoucích modulů: předzpracování, optické rozpoznávání znaků, extrakce informací pomocí databáze a extrakce informací bez databáze. V modulu předzpracování jsou představeny dvě základní techniky - zlepšení kvality obrazu a odklonění obrazu. Řešení optického rozpoznávání znaků a přístupy k extrakci informací jsou porovnávány pomocí výkonu celého systému. Nejlepší výkon extrakce informací s databází byl získán algoritmem Locality-sensitive Hashing.cs
dc.description.abstract-translatedThis paper deals with the task of information extraction from a structured document scanned by an ordinary office scanner device. It explores the processing pipeline from scanned paper documents to the extraction of searched information such as names, addresses, dates, and other numerical values. We propose system design decomposed into four consecutive modules: preprocessing, optical character recognition, information extraction with a database, and information extraction without a database. In the preprocessing module, two essential techniques are presented – image quality improvement and image deskewing. Optical Character Recognition solutions and approaches to information extraction are compared using the whole system performance. The best performance of information extraction with the database was obtained by the Locality-sensitive Hashing algorithm.en
dc.format10 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier.citationBUREŠ, L., NEDUCHAL, P., MÜLLER, L. Automatic Information Extraction from Scanned Documents. In: Speech and Computer, 22nd International Conference, SPECOM 2020, St. Peterburg, Russia, October 7-9,2020, Proceedings. Cham: Springer, 2020. s. 87-96. ISBN 978-3-030-60275-8, ISSN 0302-9743.cs
dc.identifier.doi10.1007/978-3-030-60276-5_9
dc.identifier.isbn978-3-030-60275-8
dc.identifier.issn0302-9743
dc.identifier.obd43930826
dc.identifier.uri2-s2.0-85092922936
dc.identifier.urihttp://hdl.handle.net/11025/42727
dc.language.isoenen
dc.project.IDLO1506/PUNTIS - Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnostcs
dc.project.IDSGS-2019-027/Inteligentní metody strojového vnímání a porozumění 4cs
dc.publisherSpringeren
dc.relation.ispartofseriesSpeech and Computer, 22nd International Conference, SPECOM 2020, St. Peterburg, Russia, October 7-9,2020, Proceedingsen
dc.rightsPlný text není přístupný.cs
dc.rights© Springeren
dc.rights.accessclosedAccessen
dc.subjectExtrakce informacícs
dc.subjectZpracování obrazucs
dc.subjectZpracování textucs
dc.subjectOCRcs
dc.subjectSkenercs
dc.subjectOdkloněnícs
dc.subjectDatabázecs
dc.subject.translatedInformation extractionen
dc.subject.translatedImage processingen
dc.subject.translatedText processingen
dc.subject.translatedOCR, Scanneren
dc.subject.translatedDeskewen
dc.subject.translatedDatabaseen
dc.titleAutomatic Information Extraction from Scanned Documentsen
dc.title.alternativeAutomatická extrakce informací ze skenovaných dokumentůcs
dc.typekonferenční příspěvekcs
dc.typeconferenceObjecten
dc.type.statusPeer-revieweden
dc.type.versionpublishedVersionen

Files

Collections

OBD
 Conference Papers (KKY)
 Conference papers (NTIS)