OCR > Nougat
pip install nougat-ocr
nougat test.pdf --out .
(Python 3.11、pip 23.2.1 の No GPU で動作するの確認)
WARNING:root:No GPU found. Conversion on CPU is very slow.
.
- 数式を含むスキャン画像のPDFをOCRしてマークダウン形式に変換できる。Nougatを試す
- https://twitter.com/yoya/status/1698697489807986913
AIDB
@ai_database
論文の画期的なOCR技術『Nougat』をMetaが開発しました。数式や文章がぐにゃぐにゃに曲がった画像であっても、マークアップ言語に高品質で変換します。
新しい論文だけでなく、電子データのない古い書類などの解析にも役立つことが期待されます。
○ Lukas Blecher et al. Nougat: Neural Optical Understanding for Academic Documents
地味で厄介な問題である”論文PDF”のテキスト解析に取り組む際の、新たな相棒が登場しました。
■これまでのPDFのOCR(光学式文字認識)
① 文字や単語を検出するのはある程度得意
② それらの関係性を理解するのは苦手
■Noughtの特徴
① 文字の相対的な位置を正確に認識できる
② 特に数学的な表現を認識し整理することに長けている
■技術的な方法論
① arXiv、PubMed Central、Industry Documents Libraryから収集されたデータで訓練&実験
② Swin Transformer(画像分野のTransformer)を活用
③ デコーダが埋め込みをトークンのシーケンスに変換
④ エンコーダ-デコーダのアーキテクチャを採用
⑤ 文書イメージを潜在的な埋め込みに変換
⑥ 総パラメータ数は350M
論文の解析に焦点を当てて開発されたツールですが、数式が多用されている技術書や仕様書にも応用が見込まれます。