OCR17: Ground Truth and Models for 17th c. French Prints (and hopefully more)

• Published in: Journal of data mining and digital humanities Vol. 2023; no. Dataset
• Main Authors: Gabay, Simon, Clérice, Thibault, Reul, Christian
• Format: Journal Article
• Language: English
• Published: INRIA 28-06-2023; Nicolas Turenne
• Subjects: 17th c french; [info.info-ne]computer science [cs]/neural and evolutionary computing [cs.ne]; [info]computer science [cs]; [shs.hist]humanities and social sciences/history; [shs.info]humanities and social sciences/library and information sciences; [shs.litt]humanities and social sciences/literature; [shs]humanities and social sciences; Computer Science; construction de corpus; corpus building; data paper; données; History; Humanities and Social Sciences; Library and information sciences; Literature; Neural and Evolutionary Computing; ocr; training data; xviième siècle; Construction de corpus; 17th c French; Training data; XVIIème siècle; Données; Data paper; OCR; Corpus building
• ISSN: 2416-5999; 2416-5999
• DOI: 10.46298/jdmdh.6492

Machine learning begins with machine teaching: in the following paper, we present the data that we have prepared to kick-start the training of reliable OCR models for 17th century prints written in French. The construction of a representative corpus is a major challenge: we need to gather documents from different decades and of different genres to cover as many sizes, weights and styles as possible. Historical prints containing glyphs and typefaces that have now disappeared, transcription is a complex act, for which we present guidelines. Finally, we provide preliminary results based on these training data and experiments to improve them.
L'apprentissage machine commence avec l'enseignement machine : dans cet article, nous présentons les données que nous avons préparées pour entraîner des modèles OCR fiables pour les imprimés du XVIIe siècle écrits en français. La construction d'un corpus représentatif est un enjeu majeur : il faut rassembler des documents de différentes décennies et de différents genres pour couvrir un maximum de tailles, de graisse et de styles. Les imprimés historiques contenant des glyphes et des caractères aujourd'hui disparus, la transcription est un acte complexe, pour lequel nous présentons des lignes directrices. Enfin, nous fournissons des résultats préliminaires basés sur ces données d'entraînement et des expériences pour les améliorer.