[논문 리뷰] LAREX - A semi-automatic open-source Tool for Layout Analysis and Region Extraction on Early Printed Books

Christian Reul, Uwe Springmann외 1명|arXiv (Cornell University)|2017. 01. 20.

Handwritten Text Recognition Techniques참고 문헌 5인용 수 4

한 줄 요약

LAREX는 빠르고 직관적인 분할을 위한 규칙 기반 연결 성분 접근 방식을 사용하여 초기 인쇄된 책의 레이아웃 분석 및 영역 추출을 위한 반자동, 오픈소스 도구이다. PageXML 통합을 지원하여 효율적인 OCR 워크플로우 호환성을 확보하며, 최소한의 사용자 간섭으로도 정확하고 유연한 페이지 분할을 제공한다.

ABSTRACT

A semi-automatic open-source tool for layout analysis on early printed books is presented. LAREX uses a rule based connected components approach which is very fast, easily comprehensible for the user and allows an intuitive manual correction if necessary. The PageXML format is used to support integration into existing OCR workflows. Evaluations showed that LAREX provides an efficient and flexible way to segment pages of early printed books.

연구 동기 및 목표

• 불규칙한 서체, 장식적인 요소, 열화된 텍스트를 포함한 복잡한 레이아웃을 정확하게 분할하는 데 도전하는 문제를 해결하기 위해.
• 자동 처리와 수동 보정을 모두 지원하는 빠르고 투명하며 사용자 友好的한 도구를 개발하여 분할 정확도를 향상시키기 위해.
• 표준화된 PageXML 형식 지원을 통해 기존 OCR 파이프라인에 원활하게 통합될 수 있도록 하기 위해.
• 역사적 디지털 텍스트를 다루는 연구자와 문화유산 기관을 위한 민첩하고 확장 가능한 솔루션을 제공하기 위해.
• 어려운 역사적 문서 이미지에서 높은 분할 품질을 유지하면서도 수동 애너테이션 작업을 최소화하기 위해.

제안 방법

• LAREX는 초기 인쇄된 책 페이지의 텍스트 및 비텍스트 영역을 식별하고 그룹화하기 위해 규칙 기반 연결 성분 분석을 사용한다.
• 형태학적 연산과 기하학적 히우리스틱을 활용하여 텍스트 블록, 그림, 장식 요소를 구분한다.
• 그래픽 사용자 인터페이스를 통한 상호작용 보정 기능을 지원하여 사용자가 분할 결과를 수동으로 보완할 수 있도록 한다.
• 출력은 PageXML 형식으로 생성되어 후속 OCR 및 텍스트 처리 도구와의 호환성을 보장한다.
• 오픈소스 소프트웨어로 구현되어 커뮤니티 기여와 다양한 연구 및 기관 환경에서의 배포를 가능하게 한다.
• 복잡한 기계학습 모델이 대량의 애너테이션 데이터가 필요한 것을 방지하기 위해 효율성과 해석 가능성에 초점을 맞춘 접근 방식이다.

실험 결과

연구 질문

• RQ1 어떻게 하면 복잡한 레이아웃을 가진 초기 인쇄된 책에서 정확도를 유지하면서도 효율적으로 레이아웃 분석을 수행할 수 있는가?
• RQ2 복잡한 레이아웃을 가진 역사적 문서에서 규칙 기반 접근 방식이 학습 기반 방법보다 뛰어나거나 이를 보완할 수 있는 정도는 어느 정도인가?
• RQ3 수동 보정 기능을 갖춘 반자동 도구가 사용자 작업을 크게 줄이면서도 신뢰할 수 있는 분할을 보장할 수 있는가?
• RQ4 LAREX에서 생성한 PageXML 출력이 기존 OCR 및 텍스트 처리 워크플로우에 얼마나 잘 통합되는가?
• RQ5 LAREX는 다중 열 텍스트, 테두리 메모, 목판화 등 초기 인쇄된 책에서 볼 수 있는 다양한 레이아웃 유형을 얼마나 잘 분할하는가?

주요 결과

• LAREX는 규칙 기반 연결 성분 접근 방식을 사용하여 초기 인쇄된 책에서 빠르고 정확한 레이아웃 분할을 달성한다.
• 도구는 효율적인 수동 보정을 가능하게 하여 오류 수정에 소요되는 시간을 완전히 수동 방법에 비해 크게 줄였다.
• LAREX에서 생성한 PageXML 출력은 표준 OCR 도구와 호환되어 기존 디지털 인문학 및 기록 보존 워크플로우에 쉽게 통합될 수 있다.
• 평가 결과, LAREX는 복잡한 역사적 문서 레이아웃 분할을 위한 민첩하고 신뢰할 수 있는 솔루션을 제공하는 것으로 입증되었다.
• LAREX의 오픈소스 성격은 문화유산 기관 및 연구 공동체에서의 확장성과 도입을 지원한다.
• 특히 일관된 서체 특징을 가진 문서에서는 매우 효과적이지만, 심하게 손상되거나 비정규적인 형식을 가진 페이지에서는 성능이 다를 수 있다.