Design und Implementierung eines Multi-Classifier-Systems (MCS) für die Erkennung von gerendertem Text

Inhaltsverzeichnis

1 Einleitung

2 Erkennung von gerendertem Text

2.1 Eigenschaften gerenderten Textes

2.2 Bisheriges OCR-System

2.2.1 Vorverarbeitung

2.2.2 Hybride Klassifikation

2.2.3 Nachbearbeitung

2.3 Aktueller Stand und Optimierungsmöglichkeiten

3 Lern- und Testdaten

3.1 Kategorisierung gerenderter Texte

3.2 Format der Datenbanken

3.3 Erweiterung der Datenbasis

4 Konstruktion und Test einzelner Klassifikatoren

4.1 Konstruktion von Klassifikatoren

4.2 Analyse und Vergleich von Klassifikatoren

4.3 Erzielte Testergebnisse

4.3.1 Klassifikatortests

4.3.2 Systemtests

5 Konstruktion und Test von Multi-Classifier-Systemen

5.1 Ansätze zur Kombination mehrerer Klassifikatoren

5.2 Erzielte Testergebnisse

5.2.1 Klassifikatortests

5.2.2 Systemtests

6 Fazit und Ausblick

A Trainingsdaten der Version 2006

A.1 Lern- und Testdaten der Screen-Char-Datenbank

A.2 Testdaten der Screen-Word-Datenbank

A.3 Format der alten Datenbanken

B Trainingsdaten der Version 2007-MCS

B.1 Lern- und Testdaten der Screen-Char-Datenbank

B.2 Testdaten der Screen-Word-Datenbank

C Resultate durchgeführter Testläufe

C.1 Resultate durchgeführter Klassifikatortests

C.2 Resultate durchgeführter Systemtests

Zielsetzung & Themen

Ziel dieser Arbeit ist die Optimierung der Klassifikationskomponente eines bestehenden OCR-Systems zur Erkennung von gerendertem Text. Dies soll durch die Implementierung und Evaluation eines Multi-Classifier-Systems (MCS) erreicht werden, welches die Schwächen einzelner Klassifikatoren durch die Stärken anderer kompensiert, um die Effektivität des Gesamtsystems zu steigern.

• Analyse und Optimierung der Klassifikationskomponente mittels Multi-Classifier-Systemen
• Kategorisierung und strategische Erweiterung der Trainings- und Testdatenbasis
• Konstruktion und Vergleich diverser Klassifikatoren basierend auf unterschiedlichen Merkmalskombinationen
• Kombination von Klassifikatoren auf Entscheidungsebene durch verschiedene Fusions- und Selektionsstrategien

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Einleitung erläutert die Relevanz der automatischen Erkennung von gerendertem Text auf pixelbasierten Displays und definiert das Ziel der Arbeit, die Klassifikationskomponente durch ein Multi-Classifier-System zu optimieren.

2 Erkennung von gerendertem Text: Das Kapitel analysiert die spezifischen Eigenschaften gerenderter Schriftzeichen und stellt die Funktionsweise sowie die Komponenten des existierenden OCR-Systems vor.

3 Lern- und Testdaten: Dieses Kapitel behandelt die Kategorisierung der Schriftzeichen, die Anpassung der Datenhaltung sowie die strategische Erweiterung und Versionierung der Datengrundlage.

4 Konstruktion und Test einzelner Klassifikatoren: Hier werden verschiedene Merkmalsgruppen und Klassifikatoren entwickelt und deren Effektivität sowie Analysemethoden evaluiert.

5 Konstruktion und Test von Multi-Classifier-Systemen: Dieses Kapitel beschreibt die Ansätze zur Kombination mehrerer Klassifikatoren mittels Fusion und Selektion und präsentiert die erzielten Testergebnisse.

6 Fazit und Ausblick: Das Fazit fasst die Ergebnisse der Arbeit zusammen und diskutiert mögliche weitere Entwicklungsschritte.

Schlüsselwörter

OCR, Multi-Classifier-System, MCS, Klassifikator, Textsegmentierung, Wortsegmentierung, Zeichenerkennung, gerenderter Text, Zoning, Merkmalsextraktion, Konfusionsmatrix, Klassifikationsgenauigkeit, Trainingsdaten, Bildverarbeitung, Zeichenerkennung.

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit beschäftigt sich mit der Verbesserung eines automatischen Texterkennungssystems (OCR) für gerenderte Schriftarten auf digitalen Bildschirmen.

Was sind die zentralen Themenfelder?

Die zentralen Schwerpunkte liegen auf dem Design und der Implementierung eines Multi-Classifier-Systems, der Kategorisierung von Trainingsdaten und der Evaluierung verschiedener Kombinationsstrategien für Klassifikatoren.

Was ist das primäre Ziel der Arbeit?

Das Ziel ist die Optimierung der Klassifikationskomponente des bestehenden Systems, um die Erkennungsgenauigkeit durch die Kombination verschiedener Klassifikatoren zu erhöhen.

Welche wissenschaftliche Methode wird verwendet?

Es werden verschiedene Klassifikationsansätze basierend auf Zoning-Methoden und Ableitungsmerkmalen entwickelt und deren Performance durch statistische Tests wie den McNemar-Test und Cochrans Q-Test sowie Kreuzvalidierungen überprüft.

Was wird im Hauptteil behandelt?

Der Hauptteil befasst sich mit der Analyse bestehender Komponenten, der Erstellung eines neuen Datenbanksystems zur Verwaltung der Trainingsdaten, der Konstruktion einzelner Klassifikatoren und deren gruppenweiser Kombination.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die wichtigsten Begriffe umfassen OCR, Multi-Classifier-System, Zeichenerkennung, Merkmalsextraktion und Klassifikationsgenauigkeit.

Warum ist die Erkennung von gerendertem Text schwieriger als die von eingescannten Dokumenten?

Gerenderter Text auf Displays weist eine wesentlich geringere Auflösung und gröbere Rasterung auf, was die Segmentierung der einzelnen Schriftzeichen und deren Unterscheidung bei verschiedenen Rendering-Techniken erschwert.

Was bewirkt die Kombination von Klassifikatoren?

Durch die Kombination lässt sich erreichen, dass die Schwächen eines einzelnen Klassifikators – beispielsweise bei der Erkennung spezifischer Schriftkombinationen – durch die Stärken anderer Klassifikatoren kompensiert werden, was die Gesamterkennungsrate verbessert.