Определение достоверности результатов распознавания символа в системе Cognitive Forms
Скачать 175.42 Kb.
|
Определение достоверности результатов распознавания символа в системе Cognitive FormsВ. В. Арлазаров, В. М. Кляцкин.В данной работе рассмотрен важный вопрос определения достоверности результата распознавания символа в рамках задачи распознавания форм структурированных документов. Проанализированы различные пути решения этой задачи и приведено решение, реализованное в системе Cognitive Forms. ВведениеВ современном мире ежедневно вводится с бумаги несколько десятков миллионов различных форм документов – почтовых карточек, платежных поручений, таможенных или налоговых деклараций, банковских чеков, бюллетеней для голосования, разного рода бумажных анкет, отчетов и множество других документов. Сотни тысяч операторов выполняют однообразную последовательность действий – бросают взгляд на очередную страницу, находят и читают текст заполнения и быстро набирают его на клавиатуре. Как альтернатива ручному вводу существуют технологии автоматизированного ввода форм. Такие технологии обладают рядом явных преимуществ: современные модели сканеров могут вводить до 200 страниц в минуту, программы оптического распознавания текста "читают" несколько сотен символов в секунду и могут делать это без перерыва на обед. Помимо выигрыша в стоимости и качестве ввода, технологии сканирования и распознавания документов имеют и другое существенное преимущество – корректно идентифицированный поток документов, включающий распознанную информацию и графические образы, может составлять основу электронного архива, представляющего функции быстрого поиска документа, извлечения, пересылки и печати графического образа документа (по качеству аналогичной ксерокопии или даже лучшего). Развитие глобальных компьютерных сетей и возможность организации удаленного доступа к таким архивам подчеркивают это технологическое преимущество, постепенно выдвигают его на первый план. Таким образом, разработка систем массового ввода стандартизованных форм документов представляется актуальной задачей. Эти технологии опираются на достижения в обработке изображений и распознавании – двух самостоятельных быстро развивающихся областях искусственного интеллекта. Важная задача, определяющая, наряду с качеством распознавания, эффективность системы ввода – выявление необходимости ручного контроля результатов распознавания, грубо говоря, это означает автоматическое определение достоверности результатов распознавания – т.е. способ определения, правильно ли распознан тот или иной объект без помощи человека. Основные понятия и обзор методов определения достоверности результатов распознаванияВведем основные понятия, необходимые для дальнейшего изложения. Система распознавания (далее классификатор) – это функция, решающая проблему определения, к какому классу из  классов  (далее алфавит распознавания) принадлежит образ  в виде   где  - классифицирующая функция, а  - вектор альтернатив. Каждая альтернатива представляет из себя пару  , где  - индекс класса,  - оценка принадлежности к -му классу. Альтернативы в векторе отсортированы по убыванию оценки принадлежности  , т.е.  и  . При этом оценка принадлежности тем больше, чем больше, по мнению , возможность принадлежности образа к  классу. Необходимо отметить, что природа оценки может быть как вероятностной, тогда  , так и иметь не вероятностную природу, например, расстояние между эталоном и образцом  , пример таких классификаторов приведены в работах [Koh86], [Koh90], где  - эталонная модель класса . Необходимо отметить, что в задаче распознавания документов, как и во многих других задачах классификации, пока не достижима 100% точность работы классифицирующих алгоритмов и схем. Исходя из этого, возникает необходимость каким-либо образом детектировать те случаи, когда классифицирующая функция дала неверный результат, т.е. классификатор выдал максимальную оценку для класса, к которому образ в реальности не принадлежит. В задачах же ввода документов ошибки распознавания могут приводить к серьезным последствиям (например, если неправильно распознать адресат платежа на платежном документе, деньги могут быть неверно переведены), и задача определения достоверности результатов распознавания весьма актуальна. Определим множество  - множество образов распознавания и введем функцию разбивающую множество на подмножества  - правильно распознанных образов и  - множество неправильно распознанных образов. Далее определим некоторое решающее правило -  - функция определения достоверности, которое определяет достоверность результата распознавания i-го образа множества на основании результатов распознавания и множества внешних параметров  . Это решающее правило разобьет подмножество на  - множество правильно распознанных и достоверных образов и  - множество правильно распознанных и признанных недостоверными. Множество разбивается на  - множество неправильно распознанных и недостоверных образов и  - множество образов с ошибкой распознавания признанных достоверными. Объединение множеств и дает множество правильно обработанных системой распознавания образов. Вначале дадим обзор методов определения достоверности результатов распознавания, когда оценки являются либо апостериорным вероятностями принадлежности, либо существует простое преобразование из шкалы оценок классификатора к апостериорным вероятностям. Заменим на  и будем считать, что выполняется условие  . В этом случае правило выбора альтернативы с максимальной оценкой является правилом Байеса, схемы и методы распознавания с таким правилом выбора будем называть Байесовыми. В работе [Cho70] Чу, модифицировал правило Байеса, дополнив его возможностью отказа от классификации в случае недостаточной достоверности результата, сформулировав следующее правило ,где  - цена ошибки распознавания признанной достоверной,  - цена обработки отбракованного символа и  - цена ввода правильного символа. Это правило минимизирует Байесов риск .Основная идея этого правила заключена в том, что если образ лежит вблизи границы двух классов, оценки принадлежности к ним будет достаточно близки и в этом случае, в зависимости от задачи, может быть лучше признать образ недостоверно распознанным или вообще отказаться от распознавания этого образа. Это правило прямо опирается на оценку первой альтернативы - поэтому мы будем в дальнейшем называть такие правила «первой» альтернативы. В дальнейшем это правило было уточнено и модифицировано в работах [DM93] и [Ha96] – улучшено поведение на границах классов и в областях неразличимости классов, другой подход можно увидеть в работах [FRG00], [CSS95]. В работах [FST+99], [CFS+98] авторами был предложен и исследован более сложный подход к построению правила определения достоверности. Этот подход заключается в использовании двух «первых» альтернатив для Байесовых схем распознавания. Авторы ввели две дополнительные функции  и  , где  - максимальная оценка принадлежности ( ), а  - следующая за ней. Видно, что малые значения  сигнализирует о низкой апостериорной вероятности принадлежности, а низкие значения  сигнализируют о малой разнице в оценках принадлежности к двум разным классам. Далее авторы предлагают несколько правил отбраковки, различным способом комбинирующие и :  ,  , , ,в результате получается 4 вида функций отбраковки     ,и задача сводится к нахождению выбору функции и нахождению порога  , обеспечивающего решение поставленной задачи. В статье приведены практические результаты использования и показана эффективность применения вышеперечисленных критериев в системах, использующих для распознавания схему, выдающую оценки альтернатив в виде апостериорных вероятностей принадлежности образа к классу. Еще несколько различных подходов к решению этой проблемы приведено в работах [FR01],[Aki96], [SMT94].В работе [Gor97] предложен более комплексный и системный подход к решению задачи построения правил определения достоверности результатов распознавания для случая распознавания рукописных полей документов. Для построения решающего правила автор ставит проблему определения достоверности как обычную задачу распознавания с двумя возможными классами: «достоверные», «не достоверные» в рамках парадигмы выбора Байеса, т.е.:
После серии экспериментов автор формирует пространство признаков разделив его на три категории:
Далее автор использует нейронную сеть для получения апостериорных вероятностей и приводит результаты для задачи распознавания банковских чеков, которые показывают правильность такого системного подхода к задаче определения достоверности результатов распознавания. Проблема вышеперечисленных критериев заключена в том, что они опираются на вероятностную природу оценки, переход к которой для схем распознавания выдающих оценку распознавания в не вероятностном виде может быть достаточно затруднительным. |
Похожие:
 | Приводится обзор системы массового ввода форм документов Cognitive Forms. Рассматриваются основные этапы технологии ввода структурированных... | | Рассматриваются алгоритмы комбинирования нескольких методов распознавания, оптимизированные к различным деформациям образов символов.... |
 | Целью данной процедуры является обеспечение достоверности результатов проводимых в ил испытаний и подтверждение их соответствия установленным... | | Цель работы: определение уровня сформированности предметных результатов при переходе обучающихся в следующий класс |
| Оценка результатов деятельности коллектива работников мдоу №111 «Сказка» за 2015-2016 учебный год, разработка целей и перспектив... | | Федеральный государственный образовательный стандарт содержит чёткие требования к системе оценки достижения планируемых результатов... |
| Работа с растровыми и векторными изображениями с использованием классов Image, Bitmap и Metafile 35 | | Российской Федерации государственной услуги по проведению государственной экспертизы проектной документации, результатов инженерных... |
| Российской Федерации государственной услуги по проведению государственной экспертизы проектной документации, результатов инженерных... | | В случае отсутствия у участника егэ указанных ручек и использования, вопреки настоящим правилам, шариковой ручки, контур каждого... |