অপটিক্যাল ক্যারেক্টার রিকগনিশন

OCR অক্ষর বা টোকেনে ভিজ্যুয়াল প্যাটার্ন ম্যাপ করে। আধুনিক শনাক্তকারীরা সিকোয়েন্স মডেল ব্যবহার করতে পারে যা প্রতিটি গ্লিফকে ম্যানুয়ালি সেগমেন্ট না করে স্ট্রিংগুলির পূর্বাভাস দেয়। ইনপুট ফ্রেম এবং টার্গেট সিকোয়েন্সের মধ্যে সারিবদ্ধকরণ শেখার জন্য CTC হল একটি প্রশিক্ষণ পদ্ধতি। Tesseract হল একটি ওপেন-সোর্স ওসিআর ইঞ্জিন যার উত্তরাধিকার এবং LSTM-ভিত্তিক স্বীকৃতি মোড রয়েছে। OCR সঠিক পাঠ্যের গ্যারান্টি দেয় না, বিশেষত অবনমিত স্ক্যান, হাতের লেখা, বিরল স্ক্রিপ্ট বা জটিল পৃষ্ঠা বিন্যাসের জন্য। Tesseract-এর আউটপুট গাইডের গুণমান উন্নত করা ব্যাখ্যা করে যে স্কু লাইন বিভাজন হ্রাস করে এবং পাঠ্য লাইনগুলিকে অনুভূমিকভাবে ঘোরানোর সুপারিশ করে। হস্তাক্ষর লেখকদের মধ্যে পরিবর্তিত হয় এবং অভিশাপ অক্ষর সংযোগ করতে পারে, লাইন এবং অক্ষর ব্যাখ্যা কম সামঞ্জস্যপূর্ণ করে তোলে। ডোনাট হল একটি আলাদা ওসিআর-মুক্ত নথি-বোঝার ট্রান্সফরমার যা নথির ছবি সরাসরি ব্যবহার করে এবং ভিজ্যুয়াল প্রশ্নের উত্তর সহ নথির কাজগুলিতে মূল্যায়ন করা হয়; এটি ওসিআর বা নথির উত্তরগুলিকে ত্রুটিমুক্ত করে না।