古文書を自動翻訳する日も近い！？江戸時代の8万字超の「くずし字 字形データ」が無償公開へ : Japaaan
大学共同利用機関法人 情報・システム研究機構 国立情報学研究所（NII）と大学共同利用機関法人 人間文化研究機構 国文学研究資料館（国文研）がすごいデータを無償公開しました！ 11月17日に公開されたのは、江戸時代の古典籍に書かれたくずし字の1文字ずつの字形画像データ。その数なんと8万6176件（1,521文字種）になります。 「どういうこと？」と思ってますか？どれほどすごいことか、以下のリリース情報の画像解説を見ればわかります！ データは「日本古典籍字形データセット」という名称で、字形画像データのほか、文字が古典籍のどの位置に書かれているかを示す文字座標データと、原本の画像データも含まれています。このデータは二次利用を歓迎するオープンデータとして無償提供中。 例えば、古典籍から抽出された「あ」のほんの一部。「あ」にも色々な癖がある。 例えば、古典籍から抽出された「か」のほんの一部。 収録
文字認識ライブラリ okrabyte を使ってS3にPUTされた画像をAWS Lambdaで文字認識する - from scratch
このエントリはAWS Lambda Advent Calendar 2014 - Qiitaの(本当は9日目の)記事です。 (ちょっとAWS Lambdaのアカウント取得に手間取ってしまって遅刻してしまいました。。すいません。。) AWS Lambda とは AWS LambdaはAmazonが作った新サービスであり、S3の変更やDynamoDBの変更をフックしてNode.jsの関数を実行するという仕組みになっています。これを使うと、例えばデータが変更された後にPush Notificationを出したり、S3にアップロードされた画像のサムネイル画像を作成したりといったことが可能になります。 今回はこのAWS Lambdaを使ってS3でPUTされた画像から文字認識をしてみようという試みです。文字認識した結果をDynamoDBとかに置いて検索に利用すれば、画像内に書かれた文字で検索できるよう
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
tesseract-ocr - Google Code
https://www.anlp.jp/proceedings/annual_meeting/2013/pdf_dir/B1-5.pdf
Google Code Archive - Long-term storage for Google Code Project Hosting.
GitHub - openpaperwork/pyocr: A Python wrapper for Tesseract and Cuneiform -- Moved to Gnome's Gitlab
