[논문 리뷰] Automatic Detection of Font Size Straight from Run Length Compressed Text Documents

Mohammed Javed, P. Nagabhushan외 1명|arXiv (Cornell University)|2014. 02. 18.

Handwritten Text Recognition Techniques참고 문헌 10인용 수 8

한 줄 요약

이 논문은 압축 해제 없이 런레ング스 압축된 텍스트 문서에서 직접 글꼴 크기를 검출하는 새로운 방법을 제안한다. 줄 단위 특징인 줄 높이와 어센더 높이를 사용해 회귀 모델을 훈련한다. 혼합 및 단일 글꼴 데이터셋에서 99.67%의 정확도를 달성하여, 압축된 데이터에서 직접 효율적이고 지능적인 OCR 및 문서 분석을 가능하게 한다.

ABSTRACT

Automatic detection of font size finds many applications in the area of intelligent OCRing and document image analysis, which has been traditionally practiced over uncompressed documents, although in real life the documents exist in compressed form for efficient storage and transmission. It would be novel and intelligent if the task of font size detection could be carried out directly from the compressed data of these documents without decompressing, which would result in saving of considerable amount of processing time and space. Therefore, in this paper we present a novel idea of learning and detecting font size directly from run-length compressed text documents at line level using simple line height features, which paves the way for intelligent OCRing and document analysis directly from compressed documents. In the proposed model, the given mixed-case text documents of different font size are segmented into compressed text lines and the features extracted such as line height and ascender height are used to capture the pattern of font size in the form of a regression line, using which the automatic detection of font size is done during the recognition stage. The method is experimented with a dataset of 50 compressed documents consisting of 780 text lines of single font size and 375 text lines of mixed font size resulting in an overall accuracy of 99.67%.

연구 동기 및 목표

• 압축 해제가 필요 없이 런레ング스 압축된 텍스트 문서에서 직접 글꼴 크기 검출을 가능하게 하기 위해.
• OCR 및 문서 이미지 분석 파이프라인에서 처리 시간과 스토리지 오버헤드를 줄이기 위해.
• 줄 단위로 작동하며 줄 높이와 어센더 높이와 같은 최소한의 압축 특징을 사용하는 방법을 개발하기 위해.
• 압축 해제된 데이터에 접근할 수 없더라도 단일 및 혼합 글꼴 문서에서 글꼴 크기 검출에 높은 정확도를 달성하기 위해.
• 압축된 문서 형식에서 직접 작동하는 지능형 문서 분석 시스템을 위한 길을 열기 위해.

제안 방법

• 이 방법은 런레ング스 압축된 텍스트 문서를 압축 수준에서 개별 텍스트 줄로 분할한다.
• 줄 높이 및 어센더 높이와 같은 핵심 특징은 런레ング스 인코딩의 특성을 활용해 압축 표현에서 직접 추출된다.
• 압축된 줄 특성과 실제 글꼴 크기 사이의 관계를 학습하기 위해 이러한 특징을 기반으로 회귀 모델을 훈련시킨다.
• 모델은 줄 높이를 주요 예측 변수로 사용하며, 정확도를 높이기 위해 어센더 높이를 보조 특징으로 사용한다.
• 추론 과정에서 훈련된 회귀 모델은 압축된 줄 데이터에서 압축 해제 없이 직접 글꼴 크기를 예측한다.
• 런레ング스 압축 형식에서 텍스트의 구조적 일관성을 활용하여 검출을 위한 특징 무결성을 유지한다.

실험 결과

연구 질문

• RQ1 압축 해제 없이 런레ング스 압축된 텍스트 문서에서 글꼴 크기를 정확하게 검출할 수 있는가?
• RQ2 압축된 형식에서의 줄 단위 특징인 줄 높이와 어센더 높이가 실제 글꼴 크기와 어떻게 관련이 있는가?
• RQ3 압축된 데이터에서만 작동할 경우 글꼴 크기 검출의 가능 정확도는 얼마인가?
• RQ4 혼합 글꼴 문서에서 단일 글꼴 문서에 비해 이 방법의 성능은 어떻게 되는가?
• RQ5 압축 특징에서 훈련된 회귀 모델은 다양한 텍스트 레이아웃과 글꼴 크기 간에 효과적으로 일반화될 수 있는가?

주요 결과

• 제안된 방법은 780개의 단일 글꼴 및 375개의 혼합 글꼴 텍스트 줄을 포함한 50개의 압축 문서로 구성된 데이터셋에서 총 검출 정확도 99.67%를 달성했다.
• 모델은 압축된 데이터에서 직접 글꼴 크기를 검출하는 데 있어 높은 강건성을 보였으며, 압축 해제가 필요 없음을 입증했다.
• 줄 높이는 압축 도메인에서 글꼴 크기 추정에 가장 신뢰할 수 있는 특징로 확인되었다.
• 어센더 높이의 포함으로 혼합 글꼴 상황에서 특히 검출 정확도가 향상되었다.
• OCR 파이프라인에서 압축 해제를 방지함으로써 처리 시간과 스토리지 요구량을 크게 줄였다.
• 결과는 런레인지 압축된 텍스트에서 전체 압축 해제 없이도 의미 있는 문서 분석 특징을 신뢰성 있게 추출할 수 있음을 확인한다.