document-ocr 数据数据从网络抓取的公开上市公司年报数据 PDF 文件解析生成,有图片和文本的位置信息相关算法实现注 介绍
document-ocr
一个相对完整的文档分析和识别项目含以下五部分:
1. 文档分析数据,
2. 识别数据合成工具,
3. 文档版面分析模型,
4. 文本行识别模型,
5. 单字识别模型
数据
数据从网络抓取的公开上市公司年报数据 PDF 文件解析生成,有图片和文本的位置信息
网盘下载地 提取码: nn1g
文本数据是标注到文本行的,部分数据会有些瑕疵,共34000样本
可以根据标注数据生成文本行识别数据
单字和文本行数据合成工具 能比较好的过滤字体中不支持的字符
相关算法实现
所有代码依赖 Tensorflow 1.14 和 opencv 3.x
注
- 代码还有很多需要完善的地方,不在此列举,欢迎各种 issue
- 代码中有很多参数没有提出到命令行比如 learning_rate 等,希望使用的时候多读下代码
document-ocr 数据数据从网络抓取的公开上市公司年报数据 PDF 文件解析生成,有图片和文本的位置信息相关算法实现注 官网
https://gitee.com/rockyzheng/document-ocr
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。