Description
Hiện nay, nhận dạng chữ (OCR) tiếng Việt vẫn có nhiều thách thức với hệ thống thanh điệu và dấu câu phức tạp, nhiều kiểu phông chữ khác nhau và chất lượng tài liệu không đồng đều. Đặc biệt là đối với những ảnh cũ, mực nhòe, chữ mờ, giấy bị ố vàng,.. Bài báo này đề xuất một pipeline gồm hai phần: huấn luyện mô hình PP-OCRv5 trên tập dữ liệu đa dạng và phong phú, bao gồm tài liệu in cũ và hiện đại với nhiều kiểu phông chữ khác nhau, đồng thời tích hợp mô hình ngôn ngữ lớn (LLM) để hậu xử lý các lỗi nhận dạng dựa trên ngữ cảnh tiếng Việt để đưa ra được kết quả chính xác. Hướng tiếp cận nhằm xây dựng một hệ thống OCR tiếng Việt có khả năng xử lý tốt trên nhiều loại tài liệu khác nhau đặc biệt là tài liệu cũ một cách hiệu quả và ổn định hơn.
Từ khóa
OCR tiếng Việt, PaddleOCR, huấn luyện mô hình, mô hình ngôn ngữ lớn, tài liệu cũ.
Thông tin các tác giả
-
Nguyễn Hải Minh: TS., đang công tác tại Bộ môn Khoa học Máy tính, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia TP. Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, TP. Hồ Chí Minh, email: nhminh@fit.hcmus.edu.vn
-
Lâm Quỳnh Hương: Học viên cao học, đang theo học ngành Khoa học Máy tính tại Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia TP. Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, TP. Hồ Chí Minh, email: lamquynhhuong1304@gmail.com
