HA, Hien Thi a Aleš HORÁK. Information Extraction from Scanned Invoice Images using Text Analysis and Layout Features. Signal Processing: Image Communication. Elsevier, 2022, roč. 102, č. 1, s. 1-11. ISSN 0923-5965. Dostupné z: https://dx.doi.org/10.1016/j.image.2021.116601.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Information Extraction from Scanned Invoice Images using Text Analysis and Layout Features
Autoři HA, Hien Thi (704 Vietnam, domácí) a Aleš HORÁK (203 Česká republika, domácí).
Vydání Signal Processing: Image Communication, Elsevier, 2022, 0923-5965.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Nizozemské království
Utajení není předmětem státního či obchodního tajemství
WWW URL
Impakt faktor Impact factor: 3.500
Kód RIV RIV/00216224:14330/22:00125095
Organizační jednotka Fakulta informatiky
Doi http://dx.doi.org/10.1016/j.image.2021.116601
UT WoS 000788052500011
Klíčová slova anglicky OCR; Information extraction; Scanned documents; Document metadata; Invoice metadata extraction; Metadata indexing
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 28. 3. 2023 09:56.
Anotace
While storing invoice content as metadata to avoid paper document processing may be the future trend, almost all of daily issued invoices are still printed on paper or generated in digital formats such as PDFs. In this paper, we introduce the OCRMiner system for information extraction from scanned document images which is based on text analysis techniques in combination with layout features to extract indexing metadata of (semi-)structured documents. The system is designed to process the document in a similar way a human reader uses, i.e. to employ different layout and text attributes in a coordinated decision. The system consists of a set of interconnected modules that start with (possibly erroneous) character-based output from a standard OCR system and allow to apply different techniques and to expand the extracted knowledge at each step. Using an open source OCR, the system is able to recover the invoice data in 90% for English and in 88% for the Czech set.
Návaznosti
LM2018101, projekt VaVNázev: Digitální výzkumná infrastruktura pro jazykové technologie, umění a humanitní vědy (Akronym: LINDAT/CLARIAH-CZ)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, LINDAT/CLARIAH-CZ - Digitální výzkumná infrastruktura pro jazykové technologie, umění a humanitní vědy
MUNI/A/1195/2021, interní kód MUNázev: Aplikovaný výzkum v oblastech vyhledávání, analýz a vizualizací rozsáhlých dat, zpracování přirozeného jazyka a aplikované umělé inteligence
Investor: Masarykova univerzita, Aplikovaný výzkum v oblastech vyhledávání, analýz a vizualizací rozsáhlých dat, zpracování přirozeného jazyka a aplikované umělé inteligence
VytisknoutZobrazeno: 11. 5. 2024 20:31