Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12008/51273
Cómo citar
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Belzarena, Diego | - |
dc.contributor.author | Mowlavi, Seginus | - |
dc.contributor.author | Artola, Aitor | - |
dc.contributor.author | Mariño, Camilo | - |
dc.contributor.author | Gardella Oddone, Marina Paola | - |
dc.contributor.author | Ramírez Paulino, Ignacio | - |
dc.contributor.author | Tadros, Antoine | - |
dc.contributor.author | He, Roy | - |
dc.contributor.author | Bottaioli, Natalia | - |
dc.contributor.author | Rajaei, Boshra | - |
dc.contributor.author | Randall, Gregory | - |
dc.contributor.author | Morel, Jean-Michel | - |
dc.date.accessioned | 2025-08-28T14:52:42Z | - |
dc.date.available | 2025-08-28T14:52:42Z | - |
dc.date.issued | 2025 | - |
dc.identifier.citation | Belzarena, D., Mowlavi, S., Artola, A. y otros. Improving OCR using internal document redundancy [Preprint]. Publicado en: ICDAR 2025 - The 19th International Conference on Document Analysis and Recognition, Wuhan, Hubei, China, 16-21 sep. 2025, pp. 1-28. https://arxiv.org/abs/2508.14557. | es |
dc.identifier.uri | https://hdl.handle.net/20.500.12008/51273 | - |
dc.description.abstract | Current OCR systems are based on deep learning models trained on large amounts of data. Although they have shown some ability to generalize to unseen data, especially in detection tasks, they can struggle with recognizing low-quality data. This is particularly evident for printed documents, where intra-domain data variability is typically low, but inter-domain data variability is high. In that context, current OCR methods do not fully exploit each document’s redundancy. We propose an unsupervised method by leveraging the redundancy of character shapes within a document to correct imperfect outputs of a given OCR system and suggest better clustering. To this aim, we introduce an extended Gaussian Mixture Model (GMM) by alternating an Expectation-Maximization (EM) algorithm with an intra-cluster realignment process and normality statistical testing. We demonstrate improvements in documents with various levels of degradation, including recovered Uruguayan military archives and 17th to mid-20th century European newspapers. | es |
dc.format.extent | 28 p. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | en | es |
dc.rights | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
dc.subject | OCR | es |
dc.subject | Digital humanities | es |
dc.title | Improving OCR using internal document redundancy | es |
dc.type | Preprint | es |
dc.contributor.filiacion | Belzarena Diego, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Mowlavi Seginus, Université Paris-Saclay, France | - |
dc.contributor.filiacion | Artola Aitor, City University of Hong Kong, China | - |
dc.contributor.filiacion | Mariño Camilo, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Gardella Oddone Marina Paola, Université Paris-Saclay, France | - |
dc.contributor.filiacion | Ramírez Paulino Ignacio, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Tadros Antoine, Determinant France, Paris, France | - |
dc.contributor.filiacion | He Roy, City University of Hong Kong, China | - |
dc.contributor.filiacion | Bottaioli Natalia, Université Paris-Saclay, France | - |
dc.contributor.filiacion | Rajaei Boshra, Sadjad University, Mashhad, Iran | - |
dc.contributor.filiacion | Randall Gregory, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Morel Jean-Michel, City University of Hong Kong, China | - |
dc.rights.licence | Licencia Creative Commons Atribución (CC - By 4.0) | es |
udelar.academic.department | Procesamiento de Señales | es |
udelar.investigation.group | Tratamiento de Imagenes | es |
Aparece en las colecciones: | Publicaciones académicas y científicas - Instituto de Ingeniería Eléctrica |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | ||
---|---|---|---|---|---|
BMAMGRTHBRRM25.pdf | Preprint | 26,35 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons