Tato bakalářská práce se zabývá tématem klasifikace skenovaných dokumentů. Cílem této práce je vyvinout klasifikátor, který bude schopen rozlišit naskenované dokumenty do celkem deseti tříd.
Jako příznak se použije text, který je rozpoznán pomocí metod optického rozpoznávání znaků (OCR). Dále bude využita hluboká konvoluční neuronová síť, která zohlední vizuální příznaky. Nakonec bude vytvořen klasifikátor, který zohledňuje oba typy příznaků. Klasifikátor bude vyhodnocen na datové sadě dokumentů Tobacco-3482.
Anotace v angličtině
This bachelor thesis deals with the topic of classification of scanned documents. The aim of this thesis is to develop a classifier that will be able to distinguish scanned documents into a total of ten classes.
Text will be used as a feature which is recognized using optical character recognition (OCR) methods. Furthermore, a deep convolutional neural network will be used to take visual features into account. Finally, a classifier will be created that accounts for both types of features. The classifier will be evaluated on the Tobacco-3482 document dataset.
Tato bakalářská práce se zabývá tématem klasifikace skenovaných dokumentů. Cílem této práce je vyvinout klasifikátor, který bude schopen rozlišit naskenované dokumenty do celkem deseti tříd.
Jako příznak se použije text, který je rozpoznán pomocí metod optického rozpoznávání znaků (OCR). Dále bude využita hluboká konvoluční neuronová síť, která zohlední vizuální příznaky. Nakonec bude vytvořen klasifikátor, který zohledňuje oba typy příznaků. Klasifikátor bude vyhodnocen na datové sadě dokumentů Tobacco-3482.
Anotace v angličtině
This bachelor thesis deals with the topic of classification of scanned documents. The aim of this thesis is to develop a classifier that will be able to distinguish scanned documents into a total of ten classes.
Text will be used as a feature which is recognized using optical character recognition (OCR) methods. Furthermore, a deep convolutional neural network will be used to take visual features into account. Finally, a classifier will be created that accounts for both types of features. The classifier will be evaluated on the Tobacco-3482 document dataset.