NAKI-II-USTR-UKONCENE

Před jazkyovým modelel bude třeba také asi natrénovat na font "psací stroj". Návod by mohl být zde: http://www.joyofdata.de/blog/a-guide-on-ocr-with-tesseract-3-03/

Oficiální popis tréninku LM zde:
https://github.com/tesseract-ocr/tesseract/wiki/tesstrain.sh

Není mi z toho jasné jeslti je to i tzv. "cube" language model, který má být lepší. Dokumentace k němu asi není (?), info se dá najít na googlegroups tesseract-ocr.
Opředeno tajemstvím :)

• zatím lze získat z OCR jen 1Best hypotézu, ale zle získat fonémový lattice (slovní lattice asi nedostupný) - lze pak zpracovat vlasním LM
• zapojení vlastního LM nahráním trénovcacích dat

DS- doplnit data do Tesseractu a vyzkouší zpracovat lattice vlastními metodami

z lattice vygenerovat slovní přepis (doplnit např. konfuzní tabulku, ...)

• WER cca 45% (s LM z novin) https://docs.google.com/spreadsheets/d/1d3UJSlz3XRccygMNnTyxDNwLrrHfCox9Ywnu9LdxATQ/edit#gid=0
• získat lepší LM
• přidat info o pozici slova na stránce

vygenerovat a poslat JŠ mřížky

Mřížky poslány JŠ, jsou tady: /data-kky/public/dsoutner/ocr-lattice