Serveur d'exploration sur l'OCR

Cette page introduit le « Serveur d'exploration sur l'OCR ». Il contient 8131 documents.

Démonstration ISTEX LorExplor Wicri Ce serveur d'exploration est mis en place pour aborder des problématiques variées liées à la reconnaissance optique de caractères. Au départ, il s'agit de répondre à des besoins d'information dans deux contextes complémentaires d'utilisation de cette technologie : En amont, à l'INIST, le département dirigé par Laurent Schmitt conçoit et exploite la plateforme de services ISTEX appelée à rendre disponibles des dizaines de millions de documents traités en OCR. Dans ce contexte Valérie Mahut et son équipe doivent mettre en place des procédures pour améliorer la qualité de ces données. En aval, le projet LorExplor (Jacques Ducloy) est confronté à l'analyse de corpus pour lesquels l'OCR amène parfois de très sérieuses contraintes de curation de données. Il permet également de valoriser les travaux des équipes françaises ou francophones (par exemple Abdel Belaïd) dans un cadre de coopérations internationales.

Serveur en cours de curation, créé avec des outils en cours de développement

Navigation

			Ce flux donne accès à 6406 documents ISTEX (et 6070 après curation).
			Ce flux traite 1227 références, dont 32 venant de Francis, et 1195 venant de Pascal. Après curation le volume est réduit à 1200.
			Ce flux traite 170 références téléchargées de HAL. Après curation le volume est réduit à 170.
			Ce flux traite 15 références, Après curation le volume est réduit à 15.
			Ce flux traite 215 références ou documents en provenance de l'archive PubMed (MEDLINE). Après curation le volume est réduit à 98.
			Ce flux traite 215 références ou documents en provenance de l'archive PubMed Central. Après curation le volume est réduit à 215.
			Ce flux traite 313 références, Après curation le volume est réduit à 294.
Flux principal			Ce flux fusionne 7 749 références issues des étapes précédentes. Ce volume est ramené à 7 736 après dédoublonnage par DOI. Enfin, il est réduit à 7 533 par clé de dédoublonnage IDAT.
Zoom	France		Ce flux donne accès à une bibliographie contenant 435 références ayant au moins un auteur avec une affiliation française.
Zoom	UK		Ce flux donne accès à une bibliographie contenant 503 références ayant au moins un auteur avec une affiliation du Royaume-Uni.
Zoom	USA		Ce flux donne accès à une bibliographie contenant 1844 références ayant au moins un auteur avec une affiliation des Etats-Unis d'Amérique.
Zoom	Allemagne		Ce flux donne accès à une bibliographie contenant 420 références ayant au moins un auteur avec une affiliation allemande.

Projections géographiques

La curation des données est encore très faible sur ce corpus. Dans cet état les projections graphiques servent souvent à repérer des actions de curation (par exemple si une région est très active dans un domaine médical où le sigle OCR repère une spécialité thérapeutique).

Aquitaine Basse-Normandie Bourgogne Franche-Comté Haute-Normandie Languedoc-Roussillon Limousin Midi-Pyrénées Nord-Pas‑de‑Calais Pays de la Loire Picardie Poitou-Charentes PACA Rhône-Alpes Bretagne Centre Île-de-France

Auvergne-Rhône-Alpes Bourgogne-Franche-Comté Centre Pays de la Loire PACA Région Bretagne Normandie Île-de-France

Albanie Allemagne Autriche Belgique Biélorussie Bulgarie Croatie Danemark Espagne Finlande France Grèce Hongrie Irlande Italie Lettonie Lituanie Luxembourg Norvège Pays-Bas Pologne Portugal Roumanie Royaume-Uni Russie République tchèque Serbie Slovaquie Slovénie Suisse Suède Turquie Ukraine

Afrique du Sud Albanie Algérie Arabie saoudite Argentine Australie Bangladesh Biélorussie Botswana Brésil Burundi Canada Chili Colombie Corée du Sud Costa Rica Hong Kong Inde Iran Israël Japon Kenya Liban Libye Malaisie Maroc Mexique Niger Nigeria Nouvelle-Zélande Pakistan Philippines Royaume-Uni Russie R.P. Chine Singapour Soudan Suisse Thaïlande Tunisie Turquie Ukraine Union Européenne Zimbabwe Égypte États-Unis Éthiopie

production mondiale (détail Europe)

Afrique du Sud Albanie Algérie Allemagne Arabie saoudite Argentine Australie Autriche Bangladesh Belgique Biélorussie Botswana Brésil Bulgarie Burundi Canada Chili Colombie Corée du Sud Costa Rica Croatie Danemark Espagne Finlande France Grèce Hong Kong Hongrie Inde Iran Irlande Israël Italie Japon Kenya Lettonie Liban Libye Lituanie Luxembourg Malaisie Maroc Mexique Niger Nigeria Norvège Nouvelle-Zélande Pakistan Pays-Bas Philippines Pologne Portugal Roumanie Royaume-Uni Russie R.P. Chine République tchèque Serbie Singapour Slovaquie Slovénie Soudan Suisse Suède Thaïlande Tunisie Turquie Ukraine Zimbabwe Égypte États-Unis Éthiopie

 

Aspects techniques

Paramétrage

• Wicri:OcrV1 - introduction
• Wicri:OcrV1/Paramètres, data - génération des données
• Wicri:OcrV1/Paramètres, fr - génération de l'interface
• Wicri:OcrV1/Paramètres, génération des cartes - génération de cartes géographiques
• Wicri:OcrV1/Paramètres, templates size - paramétrage des modèles liés aux valeurs numériques
• Wicri:OcrV1/Paramètres, template include

Curation

• revues portant sur des homonymies de OCR : The Laryngoscope (ISSN : 0023-852X)
• dans un article de physique (Fundamentals of gas-dynamical simulations), une action d'ocr sur α r

Résultats et investigations

Listes de résultats bruts

Test modèle de construction de listes

Attention ces données sont élaborées à partir d'un corpus qui n'a reçu aucune curation spécifique

États-Unis (1844) Royaume-Uni (503) France (435) Allemagne (420) Japon (355) République populaire de Chine (299) Canada (255) Italie (235) Inde (174) Australie (151) Espagne (145) Corée du Sud (127) Pays-Bas (125) Suisse (109) Russie (82)

Abdel Belaïd (53) Bidyut Baran Chaudhuri (22) Masakazu Suzuki (mathématicien) (21) Venugopal Govindaraju (20) George Nagy (informaticien) (20) David Doermann (17) Kuo-Chin Fan (16) Jean-Marc Ogier (15) Kazuhiko Yamamoto (informaticien) (14) Azriel Rosenfeld (14) Thierry Paquet (13) Kazem Taghva (13) Dov Dori (13) Nicolas Ragot (12) Lim Tan (12)

Université de Lorraine (62) Université du Maryland (44) Université Nancy 2 (35) Université nationale de Singapour (34) Institut national polytechnique de Lorraine (32) Université de Kyūshū (28) Université de Toronto (26) Laboratoire lorrain de recherche en informatique et ses applications (26) Centre national de la recherche scientifique (26) Université Carnegie-Mellon (25) Université d'État de New York à Buffalo (24) Institut national de recherche en informatique et en automatique (24) Université de Rouen (23) Institut indien de statistiques (22) Université de Washington (21)

Pékin (85) Tokyo (77) Nancy (66) Séoul (52) College Park (Maryland) (44) Londres (42) Paris (37) Munich (34) Moscou (32) Pittsburgh (30) Fukuoka (28) Berlin (28) Toronto (26) Buffalo (New York) (24) Rennes (22)

En France

1. Abdel Belaïd (52)
2. Jean-Marc Ogier (15)
3. Thierry Paquet (13)
4. Nicolas Ragot (12)
5. Christophe Garcia (9)
6. Antoine Doucet (9)
7. Rémy Mullot (8)
8. Nibal Nayef (8)
9. Hubert Emptoz (8)
10. Gabriella Kazai (8)
11. Yves Rangoni (7)
12. Yves Lecourtier (7)
13. Mathieu Andro (7)
14. Khaoula Elagouni (7)
15. Karl Tombre (7)

Test indexation

Construction d'une table d'indexation

Requêtes d'approfondissement

• Evaluation de la qualité d’un document,
• Tokenisation,
• Méthode par dictionnaire pour mesurer la qualité d’un document

Voir aussi

Dans le réseau Wicri :

La page de référence « Serveur d'exploration sur l'OCR » est sur le wiki Wicri/Ticri. Ce serveur est également visible sur Wicri/Informatique.