HTR Kennisuitwisseling 15 maart 2023

De derde bijeenkomst op 15 maart 2023

Bijeenkomst

Datum: 15 maart 2023 Tijd: 13:00-15:00 Locatie: Spinhuis zaal 2.18, Oudezijds Achterburgwal 185, Amsterdam

Agenda

  • Gerhard de Kok - toepassing van PageXML tools op Notariële akten
  • Marijn Koolen - PageXML Tools en inventarisatie van taken op PageXML data

Aanwezig

  • Pauline van den Heuvel
  • Annemieke Romein
  • Bram Buitendijk
  • Milan van Lange
  • Marijn Koolen
  • Jirsi Reinders
  • Niek Verhoeff
  • Rik Hoekstra
  • Rick Companje
  • Filotas Liakos
  • Stefan Klut
  • Heleen Wilbrink
  • Esger Renkema
  • Ronald Sluijter
  • Eric van der Linden
  • Kay Pepping
  • Gerhard de Kok

Programma

  • PageXML tools
  • gebruik van PageXML
    • Gerhard de Kok, toepassing van PageXML tools op …
    • inventarisatie van taken op PageXML data

PageXML-Tools

Python module voor het inlezen en werken met PageXML bestanden. De Github repository bevat verschillende tutorials voor verschillende taken.

Doel is het ondersteunen van een aantal taken in het werken met HTR/OCR output:

  • scan-classificatie: hoe kun je verschillende soorten pagina’s herkennen o.b.v. basale layout en tekst-karakteristieken?
  • boeksectie-detectie: hoe kun je detecteren of een opeenvolgende set scans uit verschillende secties bestaat?
  • kwaliteitscontrole: in grote bulk PageXML bestanden, hoe kun je inzicht krijgen wat de kwaliteit van de HTR/OCR is?
  • alinea-generatie: hoe kun je tekstregels samen voegen tot lopende tekst, zodat woordafbreektekens correct afgehandeld worden?
  • tekst zoeken: hoe kun je (efficient) zoeken naar keywords en key phrases in één of meer PageXML bestanden? Hoe kun je fuzzy zoeken naar spellingsvarianten.
  • leesvolgorde bepalen: hoe kun je verschillende leesvolgordes hanteren voor documenten?
  • herstructuren van pagina-elementen: hoe kun je PageXML elementen combineren to nieuwe elementen?

Inventarisatie PageXML taken

  • document resolution: gegeven een meter archief, detecteer de grenzen tussen individuele documenten in dit archief.
  • informatie extractie en structureren
  • extractie entiteiten en rollen en de relaties daartussen
  • end-to-end pipelines voor grote schaal
  • feedback naar layout analyse, metadata over elementen koppelen aan coordinaten
  • rijke ground truth maken
  • document type vaststellen

Implementeren:

  • van JSON naar XML (maar wat is een zinnige use case?)
  • check element in other element (kun nu via .is_horizontally_overlapping en .is_vertically_overlapping, maar kan makkelijker gemaakt kunnen worden door een functie die deze combineert.)
  • lezen uit directory

Presentatie Gerard de Kok

Gebruik PageXML tools voor detecteren van WIC opvarenden in notarieel archief.

Inventarisatie PageXML taken

  • document resolution: gegeven een meter archief, detecteer de grenzen tussen individuele documenten in dit archief.