फोटोOCR: अनियंत्रित परिस्थितियों में पाठ पढ़ना

हम फोटो OCR का वर्णन करते हैं, जो छवियों से पाठ निकालने के लिए एक प्रणाली है। हमारा विशेष ध्यान स्मार्टफोन छवियों से विश्वसनीय पाठ निकालने पर है, जिसका लक्ष्य भाषण पहचान के समान एक उपयोगकर्ता इनपुट मोडालिटी के रूप में पाठ पहचान करना है। वाणिज्यिक रूप से उपलब्ध OCR इस कार्य में खराब प्रदर्शन करता है। मशीन लर्निंग में हालिया प्रगति ने अलग-अलग अक्षर वर्गीकरण में काफी सुधार किया है, हम इन तकनीकों का उपयोग करके एक संपूर्ण OCR प्रणाली का प्रदर्शन करके इस प्रगति पर निर्माण करते हैं। हम आधुनिक डेटा सेंटर-स्तरीय वितरित भाषा मॉडलिंग को भी शामिल करते हैं। हमारी दृष्टि विभिन्न चुनौतीपूर्ण इमेजिंग परिस्थितियों में पाठ को पहचानने में सक्षम है जहां पारंपरिक OCR प्रणालियाँ विफल हो जाती हैं, विशेष रूप से महत्वपूर्ण धुंध, निम्न रिज़ॉल्यूशन, निम्न विपरीत, उच्च छवि शोर और अन्य विकृतियों की उपस्थिति में। यह कम विलंबता के साथ काम करता है, प्रति छवि औसत प्रसंस्करण समय 600 मिलीसेकंड है। हम अपने सिस्टम का मूल्यांकन सामान्य बेंचमार्क डेटा सेट्स पर करते हैं और सभी पूर्व में रिपोर्ट किए गए परिणामों को पार करते हैं, कई बेंचमार्क पर त्रुटि दर को आधे से अधिक कम करते हैं। यह प्रणाली वर्तमान में गूगल में कई अनुप्रयोगों में उपयोग में है, और यह गूगल ट्रांसलेट के लिए एंड्रॉइड में एक उपयोगकर्ता इनपुट मोडालिटी के रूप में उपलब्ध है।