明治期の本もテキスト化、国立国会図書館が特注OCRに込めた狙い
「（古い資料の）本文検索ができるようになれば、新たな本の価値を届けられる」。国立国会図書館次世代システム開発研究室の徳原直子室長は力を込める。 国立国会図書館（NDL）は2022年4月25日、新たに開発した「NDLOCR」をオープンソースとして公開した。NDLOCRは、書籍や雑誌などの画像データから本文のテキストデータを作成できるOCR（光学的文字認識）処理プログラム。明治～昭和期の独特なレイアウトにも対応しているのが特徴だ。古い資料でも本文検索ができるようになる。 NDLが蔵書のデジタル化に乗り出したのは2000年代に遡る。資料をスキャンし、主に「JPEG 2000」のフォーマットで保存、提供してきた。NDLが手掛けるオンラインサービス「国立国会図書館デジタルコレクション」から利用可能だ。 デジタル化を進める最大の目的は資料の保存にある。時がたつほど紙は劣化していくからだ。 ただし、ND
日本古文書のくずし字、GPU活用したAI技術で自動解析進む
NVIDIAは5月20日(米国時間)、「AI Making Ancient Japanese Texts More Accessible｜NVIDIA Blog」において、日本の古文書などで使われているくずし字を現代の漢字に転写するため、ディープラーニングを活用したOCRシステムの開発にGPUが活用されていると伝えた。GPUは学習トレーニングおよび推論の双方において不可欠な要素だと説明している。 By the Book: AI Making Millions of Ancient Japanese Texts More Accessible くずし字は日本の古文書などで広く見られる表記方法の1つ。ただし、現代はくずし字を読める者は専門家の中でも限られていると言われている。記事では、このくずし字をディープラーニングを活用したOCRシステムを用いることで電子データに変換し、より多くのデータに研
Dropboxにユーザーのすべての画像とPDFを自動的にOCRする機能が登場 | TechCrunch Japan
The past year and a half have witnessed multiple startups facing valuation cuts as funding from VCs waned in an environment of rising interest rates. In this context, fintechs, especially buy now, pay Ahead of the AI Safety Summit starting tomorrow morning taking place outside of London in Bletchley Park, today, the U.K. government has confirmed more details about who is actually going to be atten
紙の書類をテキストデータに変換できるOCR、精度・使い勝手を話題のサービスで比較
文字起こしを検証する文章は、適度に「ひらがな」「漢字」「アルファベット」「数字」「記号」が入った過去のかみあぷ記事を用意。 これを一度プリントアウトしたものを、iPhoneで撮影した画像をそれぞれで取り込んで比較していきたいと思います。 比較にあたっては、以下の2点に注目してみていきますよ。 認識精度： どこまで正確に文字をテキスト化できるか 使い勝手： テキスト化するための手順や、出力されるデータ形式など さて一体どこでどんな違いが出るのか、見ていきましょう。 OCR認識精度 まずはGoogleドライブ。テキスト化するにはSafariでGoogleドライブにアップロード ⇒『Googleドキュメント』で開くという手順になるのですが、取り込んだものがこちら。 文字サイズはやや大きめですが、タイトルや見出しだけでなく太字などがちゃんと反映されているのがすごい。 撮影の加減なのか一部改行にスペ
バチカン秘密文書館に眠る中世文書、新方式のOCRでデータ化
バチカンの秘密文書にどんなミステリーが隠されているかは誰も分からない。現在、文書のデータ化が進められているが、中世文字特有の合字や略語に、従来の光学文字認識アルゴリズムは使えなかった。だが、イタリアの研究チームが試行錯誤の末、ある方法を考案した。 by Emerging Technology from the arXiv2018.04.05 171 120 6 0 バチカン秘密文書館には伝説が詰まっている。伝えられているところでは、バチカン市国にある長さ85キロメートルにもおよぶ書棚に所蔵されている文書には、過去の教皇の個人的な手紙やその他の書類が含まれており、その中には8世紀にまでさかのぼるものもある。 この文書館は厳重に警備されている。だが1881年以降、学者は限定的にそれらの文書の一部にアクセスできるようになり、それだけでも非常に多くのことが明らかになってきた。 たとえば、1307年
GoogleドライブでOCRできることが知られていなかったようなのでもう一度解説する
先日、このようなまとめがアップされていて、多数のブクマを集めていました。 Google Driveで画像を開いたと思ったら文字が全て書き起こされているという事態に衝撃の人々「マジかよ!」「あ!ホントだ」 - Togetter これが、始まりのツィート。 あ…ありのまま 今 起こった事を話すぜ！ 「おれは Google Driveで画像を開いたと 思ったら いつのまにか文字がすべて書き起こされていた」 な… 何を言っているのか わからねーと思うが おれも 何をされたのか わからなかった… pic.twitter.com/DFGD03VH9z — まこなり (@mako_yukinari) 2018年2月1日 なるほど、GoogleドライブのOCRって、意外にもまだまだ知られていなかった感じなんですね。 それでは、再度丁寧に解説してみたいと思います。 GoogleドライブでOCRというのは、私
無料のOCR「Google Drive」が定評のある980円の文字認識アプリに勝利！ | デジタル＠備忘録
ご訪問ありがとうございます。検索でこの記事へ訪問された方はフリーでのOCR機能をお探しかと思います。 2019年現在の最新情報を書いた記事は以下のリンク記事になりますので、そちらも参考にして頂ければと思います。 Google Driveを使用しグーグルドキュメントのOCR機能を使った記事になります。よろしくお願い致します。 続・フリーのOCRならGoogleドライブからグーグルドキュメントへの連携がダントツ便利。【驚きの簡単さと高い認識率】 【投稿日時 2012/4/20】【最終更新日 2019/3/20】このエントリーを最初に投稿したのは2012年。あれから7年も経過しますが今でも素晴らしい精度と便利さで突き進むグーグルドライブ。昔はGoogle Docsと呼ばれていましたが、今はグーグルドライブと呼ばれています。クラウド上で行われるOCRですのでソフトの更新を使用者が意識することなくG
縦書きも認識、日本語テキストの抽出に適したウェブサービス3選
スキャンしてデータ化された書類からテキストを抽出できれば、再利用が容易になることで資料作成などの作業が捗る。これから新たに書類をスキャンするのであればスキャナ側の設定でOCRをオンにしておけばよいし、すでにスキャンした後であればOCR機能を持つソフトを用いてあらためて処理する方法もあるが、いずれの方法も使えない場合、オンラインサービスを使うのが手軽だ。 OCR機能を持つオンラインサービスといえば、かつては日本語に対応しないケースがほとんどだったが、最近では日本語固有の縦書きも認識できるなど、高い実用性を備えたサービスが増えつつある。今回は、スキャン書類から日本語テキストを取り出すにあたって実用レベルの認識精度を備えた3つのオンラインサービスを、横書きおよび縦書きでの和英混じり文の認識結果とともに紹介しよう。 なお今回はPDF（単一ページ）のアップロードとTXTのダウンロードに対応し、縦書き
文章をなぞるだけでデータ化して翻訳できるペン型スキャナ--サンワサプライ
サンワサプライは5月11日、ペン型タイプのスキャナ「ペン型スキャナ」（400-SCN031）を発売した。税別価格は2万1111円。通販サイト「サンワダイレクト」のみの限定販売となる。 ペン型スキャナは、文章や単語をなぞるだけでデータ化できるペン型タイプのスキャナ。読み込んだデータは、Bluetooth接続したスマートフォンやPCへと転送できる。無料の専用アプリ（iOS 7以降/Android 4.3以降）は28言語の翻訳に対応。朗読機能も備えている。 PCとの接続にはUSBを利用し、スマートフォン利用時とは異なる最大193言語に対応する。OCR機能のほか、バーコードや特殊フォントの読み取りが可能な「ビジネスモード」、イメージ取り込みが可能な「画像モード」を搭載する。 本体サイズは、W114.7×D33×H22.45mm、重量は本体のみで約55g。読み取り可能サイズは6～22pt。スキャン速
あの「イラつく文字認証」のおかげで年間250万冊もの本がデジタル化されている - ログミー[o_O]
誰もが一度はイラっとさせられたであろう文字認証「CAPTCHA」。ユーザがコンピュータで無いことを確認するセキュリティ機能のひとつですが、近年、これを解読することは「本のテキスト化」に協力することと同義になりました。同システムの開発者でクラウドソーシングも発案した起業家、Luis von Ahn（ルイス・フォン・アン）氏が、7億5,000万人が参加するプロジェクトが生まれたキッカケを語ります。（TEDxCMU 2011より） 誰もが一度はイラっとさせられるCAPTCHA（キャプチャ） ルイス・フォン・アン氏：このように、ゆがめられた文字の並びを読んで埋めるタイプのウェブフォームを見たことのある人は何人いますか？ これを見て本当にいらいらすると感じた人は何人いますか？ はい、すばらしいですね。私がこれを発明しました。私がこれを発明したメンバーの1人です。 （会場笑） これはCAPTCHAと呼
![あの「イラつく文字認証」のおかげで年間250万冊もの本がデジタル化されている - ログミー[o_O]](https://cdn-ak-scissors.b.st-hatena.com/image/square/8ba18e7ffd334cdf4bc1b04ec39ddafc0c460dcc/height=288;version=1;width=512/https%3A%2F%2Fimg.logmi.jp%2Fwp-content%2Fuploads%2F2014%2F11%2Fvon1ec_R.jpg)
［ウェブサービスレビュー］画像から29カ国語のテキストを抽出できるOCRサービス「Free online OCR」
内容：「Free online OCR」は、画像内に含まれる29カ国語のテキストをOCRで抽出できるサービスだ。テキストをコピーしたいのに画像化されていてコピーできない場合に、このサービスを使うことで画像内の文字列をテキストデータに手軽に変換できる。 「Free online OCR」は、画像内に含まれるテキストをOCRで抽出できるサービスだ。テキストをコピーしたいのに画像化されていてコピーできない場合に、このサービスを使うことで、画像内の文字列をテキストデータに手軽に変換できる。 画像内に含まれるテキストをOCRで読み取ってテキストデータに変換するツールは、一般的にソフトウェアとして配布および販売されていることが多い。このサービスではソフトのインストールが不要で、利用する際の会員登録も必要ない。サイトを開いて画像をアップロードし、言語を選択して送信するだけでテキストが抽出されるという手軽
［ウェブサービスレビュー］33カ国語をオンラインでOCR処理できる「i2OCR」
内容：「i2OCR」は画像内に含まれるテキストをOCRで抽出できるサービスだ。日本語を含む33カ国語に対応しており、テキストをコピーしたいのに画像化されていてコピーできない場合に、このサービスを使って画像内の文字列をテキストデータに手軽に変換できる。 「i2OCR」は、画像内に含まれるテキストをOCRで抽出できるサービスだ。日本語を含む33カ国語に対応しており、テキストをコピーしたいのに画像化されていてコピーできない場合に、このサービスを使って画像内の文字列をテキストデータに手軽に変換できる。 前回紹介した「Free online OCR」との違いは、なんといっても日本語を含む33カ国語に対応していることだ。Free online OCRは29カ国語でアジア圏の言語には対応していなかったので、これは大きな違いだ。またファイルサイズも最大10Mバイトと、Free online OCRの2Mバ
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
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
はまちや２ on Twitter: "これは東京証券取引所公式の代表の名前が入った一見まともな書類に見えるけど、GoogleはPDF内にある外から見えない注釈等も検索対象にしているらしくて、キャッシュでみると書類に埋め込まれた「うんこ」という文字が可視化される… https://t.co/HCMBx4yqsX"
江戸時代のくずし字1521文字種・8万6176件の字形データセット無償公開、ディープラーニングを用いた文字認識のサンプルプログラムも～NIIと国文研 
江戸期以前の“くずし字”、精度80％以上でOCR処理、凸版印刷が技術開発 
【便利ツール】Webサイトに表示されている画像の文字を読み取ってクリップボードにコピーできるChrome拡張機能「Project Naptha」 フリーソフトの樹