[論文レビュー] Case Study of a highly automated Layout Analysis and OCR of an incunabulum: 'Der Heiligen Leben' (1488)

Christian Reul, Marco Dittrich+1 more|arXiv (Cornell University)|Jan 20, 2017

Handwritten Text Recognition Techniques参考文献 3被引用数 5

ひとこと要約

本稿は、1488年刊行の初期印刷書『Der Heiligen Leben』について、レイアウト解析とOCRを高度に自動化したワークフローを提示しており、文字単位で97.57%、語単位で92.19%の正確性を達成した。LAREXを用いた自動レイアウトセグメンテーションとAletheiaを用いた手動レイアウトセグメンテーションを比較することで、人的作業を100時間以上から6時間未満に削減し、正確性の損失は最小限に抑えられ、初期印刷書のデジタル化にスケーラブルなモデルを提供する。

ABSTRACT

This paper provides the first thorough documentation of a high quality digitization process applied to an early printed book from the incunabulum period (1450-1500). The entire OCR related workflow including preprocessing, layout analysis and text recognition is illustrated in detail using the example of 'Der Heiligen Leben', printed in Nuremberg in 1488. For each step the required time expenditure was recorded. The character recognition yielded excellent results both on character (97.57%) and word (92.19%) level. Furthermore, a comparison of a highly automated (LAREX) and a manual (Aletheia) method for layout analysis was performed. By considerably automating the segmentation the required human effort was reduced significantly from over 100 hours to less than six hours, resulting in only a slight drop in OCR accuracy. Realistic estimates for the human effort necessary for full text extraction from incunabula can be derived from this study. The printed pages of the complete work together with the OCR result is available online ready to be inspected and downloaded.

研究の動機と目的

• 1450–1500年頃に刊行された初期印刷書の高品質でエンド・トゥ・エンドのデジタル化ワークフローを文書化すること。
• 初期印刷書のレイアウト解析とOCRにおける自動化と正確性のトレードオフを評価すること。
• 自動的手動手法を用いた場合に、初期印刷書から完全なテキスト抽出に要する人的作業量を定量的に評価すること。
• 学術的および技術的再利用を目的として、『Der Heiligen Leben』の公開可能で高忠実度のOCR結果を提供すること。

提案手法

• ワークフローは画像前処理、LAREXツールを用いた自動レイアウト解析、Tesseract 3.01を用いたOCRを統合している。
• LAREXは、スキャンされたページ内のテキスト領域、見出し、装飾的要素を識別するためのシーンセグメンテーションを実行する。
• 手動レイアウト解析はAletheiaツールを用い、比較のためのゴールドスタンダードとして機能する。
• 文字単位および語単位のOCR正確性は、認識されたテキストを基準値トランスクリプションと比較することで評価される。
• 各処理ステップにおける作業時間の記録により、大規模なデジタル化プロジェクトにおける人的コストの推定が行われる。
• 完全なOCR出力およびスキャン画像はオンラインで公開され、一般のアクセスと検証が可能となる。

実験結果

リサーチクエスチョン

• RQ1 初期印刷書のレイアウト解析とOCRをどれほど自動化できるか、正確性を損なわずに。
• RQ2 完全自動化と手動アプローチにおけるレイアウトセグメンテーションに要する人的作業量は、どのように比較できるか。
• RQ3 初期印刷書の文脈において、自動レイアウト解析がOCR正確性に与える影響は何か。
• RQ4 高自動化ワークフローは、学術的利用に耐える信頼性の高い高品質OCR結果を生成できるか。

主な発見

• OCRシステムは、初期印刷書『Der Heiligen Leben』において、文字単位で97.57%、語単位で92.19%の正確性を達成した。
• LAREXを用いた自動レイアウト解析により、人的作業は100時間以上から6時間未満に削減された。
• 手動から自動レイアウト解析に切り替えた際のOCR正確性のわずかな低下は、自動手法の高い頑健性を示している。
• 本研究は、初期印刷書からの完全なテキスト抽出に要する人的労力の現実的でデータドリブンな推定値を提供し、大規模なデジタル化プロジェクトの計画をより効果的に可能にする。