Tesseract 4.1にLSTMを使って日本語を再学習させる - Qiita

背景 TesseractはオープンソースのOCRエンジンです。バージョン4.0から深層学習を採用したことで認識精度が大きく上がりました。このTesseractを実務で使ってみて、苦手分野があることが分かりました。 全角英数字 半角カタカナ 手書き文字 今回はこの３つのうち最初の２つの認識精度を上げるため、Tesseractの日本語モデルを再学習させてみます。 なお、手書き文字の再学習についてはTesseract 4.1にLSTMを使って手書き文字を再学習させるにまとめています。 学習方法の選択 LSTMを使ったTesseractの学習方法には大きく分けて２つの方法があります。 新規学習方式 (Training From Scratch)：ゼロからモデルを生成する 微調整方式 (Fine Tuning)：既存のモデルから転移学習する 新規学習方式は、より多くのイタレーションと学習データが必要