JSAI2026 学生新聞の紙面画像を対象とした自動テキスト認識ワークフローの開発

歴史学・人文社会科学の研究基盤である

良質な言語資源である

日本語新聞紙面の難しさ

縦書き

読み順の判断

ワークフロー

PDFファイルの埋め込み文字から領域情報を抽出

結果

画像クラスではリコールが低い

多くの画像領域を見落としている

文字認識

切り出した行画像に対する文字認識は一定の水準に達している

前後の処理による影響が大きいのかも