A
Auflösung
Die Auflösung eines Bildes ist das Maß für die Anzahl der Pixel, die auf einem Bildschirm oder in einem Kamerasensor dargestellt werden können.
Auszeichnungssprachen (markup languages)
Auszeichnungssprachen sind Standards für die Erstellung von Anmerkungen in Dokumenten. Sie fügen den Dokumenten eine maschinenverständliche Struktur und Formatierung hinzu, einschließlich Metadaten, und ermöglichen so die Interpretation durch Software oder durch Browser.
Automatic Text Recognition
Automatic Text Recognition (ATR) steht für „Automatische Texterkennung“ und meint den Prozess, automatisiert mit Machine Learning-Techniken Textdaten aus einem digitalisierten Dokument zu extrahieren.
B
Bildoptimierung
Die Bildoptimierung bezeichnet den Prozess der Reduzierung der Dateigröße eines Bildes bei gleichbleibender visueller Qualität.
Begrenzungsrahmen (bounding box)
Ein Begrenzungsrahmen im Bereich ATR ist in der Regel ein Rechteck, das um einen Textbereich oder eine Textzeile innerhalb eines Bildes gezogen wird und deren räumliche Ausdehnung definiert.
C
Character Error Rate (CER)
Die CER, auf Deutsch „Zeichenfehlerrate“, ist ein Wert zur Bewertung der Genauigkeit der Zeichenerkennung in einer automatischen Transkription auf Zeichenebene. Eine CER von 5 % bedeutet zum Beispiel, dass die automatische Transkription 95 von 100 Zeichen korrekt transkribiert hat.
Computer Vision
Computer Vision ist ein Teil des Bereichs der Künstlichen Intelligenz, der die Interpretation und das Verstehen visueller Informationen in Bildern oder Videos durch Computer ermöglicht.
Cropping
Das Cropping, auf Deutsch „Zuschneiden“, wird bei der digitalen Bildbearbeitung verwendet und beschreibt das digitale Entfernen unerwünschter Teile eines Bildes.
D
Dateiformate
Dateiformate standardisieren die Struktur der in Computerdateien kodierten und gespeicherten Informationen. Innerhalb einer solchen Datei ermöglicht das Format die Organisation der Daten sowie die Kompatibilität, Zugänglichkeit und Interpretation durch spezifische Software.
Digitalisierung
Die Digitalisierung beschreibt den Prozess der Umwandlung analoger Informationen wie Text, Bild oder Audio in ein digitales Format. Dieses digitale Format kann von Maschinen gespeichert und verarbeitet werden.
Dots Per Inch (DPI)
DPI steht auf Deutsch für „Punkte pro Zoll” und ist das Akronym für eine Maßeinheit bei der digitalen Bilddarstellung. DPI-Messungen quantifizieren die Auflösung von Bildern oder gedruckten Dokumenten, indem sie die Anzahl der horizontalen und vertikalen Punkte innerhalb einer 1-Zoll-Linie angeben. Auf diese Weise wird der Detailgrad eines digitalen Bildes oder die Qualität eines gedruckten Dokuments angegeben.
Download
Siehe Herunterladen.
E
Endformate/Ausgabeformate
Endformate, auch Ausgabeformate genannt, sind die finalen Dateitypen, die nach der Verarbeitung der Daten für bestimmte Zwecke, wie z.B. ATR, für die Präsentation/den Austausch der Daten verwendet werden.
Entzerren
Das Entzerren (alternativ: Entkrümmen) korrigiert Verzerrungen und/oder Verformungen in digitalen Bildern und wird vor allem bei Dokumenten oder Fotos eingesetzt. Es hilft dabei, die ursprünglichen Formen oder Perspektiven der Bilder wiederherzustellen.
Extensible Markup Language (XML)
XML ist ein Standard für Dokumentauszeichnungen. Als Sprache dient sie der Speicherung und dem Austausch von Daten.
F
FAIR-Prinzipien
Die FAIR-Prinzipien stehen für auffindbare (findable), zugängliche (accessible), interoperable und wiederverwendbare (reusable) Daten.Farbraum
Ein Farbraum umfasst die Menge aller möglichen Farben und ist eine spezifische Organisation von Farben, die eine Möglichkeit zur Quantifizierung und Darstellung von Farben bietet, wie z. B. das RGB- (Rot, Grün, Blau) oder Graustufensystem.
G
Gegenseitigkeit
Meint ein Prinzip bei der Wiederverwendung von Kulturerbe-Daten. Sowohl Kulturerbe-Institutionen als auch -Forschende sollten damit einverstanden sein, Inhalte und Wissen gleichermaßen miteinander zu teilen und dabei Datenzentren und Forschungsinfrastrukturen zu nutzen. Siehe die Charta zur Wiederverwendung von Kulturerbe-Daten von DARIAH.
Genauigkeit
Die Genauigkeit ist ein Wert zur Messung der Leistung eines ATR-Modells.
Ground Truth/Grundwahrheit
Ground Truth auf Deutsch „Grundwahrheit” sind Informationen, die als „wahr” bekannt sind, d.h. als absolut richtig. In unserem Fall handelt es sich um eine manuelle und/oder verifizierte Transkription eines Textes. Ground Truth stellen im ATR-Prozess Trainingsdaten für das Erstellen eines Modells dar.
Grundlinie (baseline)
Eine Grundlinie definiert im Bereich ATR eine virtuelle Linie, die durch mindestens zwei Punkte verläuft und auf der der Text in einem digitalen Bild geschrieben wird. Sie dient als Grundlage für die Texterkennung (siehe auch Oberlinie).
H
Halbautomatische Korrektur
Die halbautomatische Korrektur eines ATR-erkannten Textes ist eine Mischung aus automatischer Korrektur durch den Computer und menschlicher Korrektur.
Handwritten Text Recognition (HTR)
HTR, auf Deutsch „Handgeschriebene Texterkennung“ ist die Fähigkeit eines Computers, mithilfe von Machine Learning handschriftliche Texte aus gescannten Schriftbildern zu generieren und zu interpretieren.
Herunterladen (download)
Unter Herunterladen versteht man das Kopieren und Speichern von Daten von einem Computersystem auf ein anderes, was meist über das Internet erfolgt.
Hochladen (upload)
Hochladen (upload) bezeichnet den Vorgang des Kopierens von Daten durch Übertragen zumeist vom eigenen Computer auf ein anderes System, was ebenfalls meist über das Internet erfolgt.
hOCR
hOCR ist ein offener HTML-Standard für die ATR-Ausgabe.
Hypertext Markup Language (HTML)
HTML ist eine Auszeichnungssprache für die Darstellung des Inhalts und der Struktur von Dokumenten in Webbrowsern.
I
International Image Interoperability Framework (IIIF)
Das IIIF, auf Deutsch „Internationaler Bild-Operabilitätsrahmen“, ist ein Standard für die gemeinsame, interoperable Nutzung von Bildern und ihren Metadaten, der sie plattformunabhängig verfügbar macht.
Interoperabilität
Daten von Kulturerbe sollten in einer Form zugänglich gemacht werden, welche die Wiederverwendung der Daten für die Forschung erleichtert. Die Formate sollten sowohl für Forschende als auch für Kulturerbe-Institutionen funktionieren und interoperabel sein. Siehe Charta zur Wiederverwendung von Kulturerbe-Daten von DARIAH.
J
JPEG
JPEG (Joint Photographic Experts Group) ist ein häufig verwendetes verlustbehaftetes Komprimierungsverfahren für digitale Bilder, insbesondere für solche, die durch digitale Fotografie erzeugt wurden. Bilder im JPG-Format eignen sich gut für die Automatische Texterkennung.
JPEG2000
JPEG 2000 (JP2) ist ein Standard für die Bildkomprimierung und ein Kodierungssystem. Es handelt sich um ein sehr komplexes und daher großes Dateiformat. Es eignet sich hervorragend zum Speichern von Bildern, da keine Informationen verloren gehen.
K
Kontrolliertes Vokabular
Kontrollierte Vokabulare definieren Informationen in einem bestimmten Bereich mit einer Sammlung von Begriffen und Phrasen. Die Verwendung eines kontrollierten Vokabulars kann die Aufrechterhaltung von Konsistenz und Präzision in indexierten Informationen vereinfachen und die maschinengestützte Datenabfrage, das Wiederauffinden und die Organisation erleichtern.
Korpus
Ein Korpus ist eine (strukturierte) Sammlung von Texten oder Daten. Textkorpora werden hauptsächlich für historische oder linguistische Analysen verwendet, da sie verschiedene Dokumente oder Quellen für einen jeweiligen Forschungszweck enthalten.
Künstliche Intelligenz (KI)
KI ist ein Begriff, der für Computersysteme verwendet wird, die Aufgaben ausführen können, welche die menschliche Intelligenz nachahmen. Dies umfasst Lern- und Denkprozesse sowie komplexe Problemlösung und Entscheidungsfindung.
L
Layoutanalyse
Bei der Dokumentenanalyse und -erkennung im Bereich ATR ist die Layoutanalyse der Prozess der Identifizierung und Segmentierung verschiedener Komponenten innerhalb eines digitalisierten Dokuments. Diese Komponenten können Texte, Bilder und Strukturelemente sein.
M
Manuelle Korrektur
Manuelle Korrektur bedeutet, dass Daten oder, im Falle von ATR, Dokumente und/oder Texte manuell korrigiert werden, um Fehler zu beseitigen.
Machinelles Lernen
Das maschinelle Lernen ist Teil der KI und ermöglicht es Systemen, aus Erfahrungen zu lernen und sich zu verbessern, ohne dass ausdrückliche Anweisungen in der Programmierung enthalten sind. Beim maschinellen Lernen kommen Algorithmen zum Einsatz, die Daten analysieren und auf der Grundlage von Mustern und Trends in den Daten Vorhersagen oder Entscheidungen treffen können.
Markup Language
Siehe Auszeichnungssprachen.
Modell
Ein Modell im ATR-Prozess ist eine Datei, die durch den Trainingsprozess erstellt wird. Sie enthält die Parameter, die zur Erstellung einer Transkription aus Bildern verwendet werden.
N
Neuronales Netzwerk
Ein neuronales Netz ist eine Art von maschinellem Lernmodell, das aus kleinen Einheiten zusammengesetzt ist und in der Regel dazu dient, eine Reihe von numerischen Eingabewerten in eine Reihe von numerischen Ausgabewerten umzuwandeln. Jede Einheit hat einen oder mehrere Parameter, die während des Modelltrainings geändert werden können. Zusammengenommen bilden die Parameter des ATR-Modells einen spezifischen Speicher, der Merkmale der Trainingsdaten darstellen kann, mit dem Ziel, die gewünschte Ausgabe auf neuen Daten nach dem Training zu verbessern.
O
Oberlinie
Eine Oberlinie definiert eine virtuelle Linie, die durch mindestens zwei Punkte verläuft und oberhalb des Textes eines digitalisierten Bildes liegt (siehe auch Grundlinie, die in derzeitigen ATR-Systemen üblicherweise verwendet wird).
Objekterkennungsmodell
Objekterkennungsmodelle identifizieren und lokalisieren als Teil von Computer-Vision-Algorithmen ein oder mehrere Objekte in digitalen Bildern oder in Videomaterial. Objekterkennungsmodelle können ihre Grenzen lokalisieren und sie in vordefinierte Klassen oder Kategorien einteilen.
Optical Character Recognition (OCR)
OCR, auf Deutsch „Zeichenerkennung“, ist die Umwandlung von Bildern gedruckter Texte in maschinell lesbaren Volltext.
Open Science
Open Science, auf Deutsch „Offene Wissenschaft“, ist die Bezeichnung für die Bewegung zur Förderung der Zugänglichkeit, Transparenz und Zusammenarbeit in allen Bereichen der wissenschaftlichen Forschung. Ziel ist es, die Offenheit wissenschaftlicher Erkenntnisse, Daten, Methoden und Veröffentlichungen zu erreichen, damit sie von der Öffentlichkeit und von anderen Forschenden genutzt werden können.
Offenheit
Die Daten des kulturellen Erbes sollten, wann immer möglich, unter einer offenen Lizenz weitergegeben werden, wobei bestehende Urheberrechte und etwaige Einschränkungen aufgrund nationaler Rechtsvorschriften und Fragen des Datenschutzes zu berücksichtigen sind. Siehe die Charta zur Wiederverwendung von Kulturerbe-Daten von DARIAH.
Ontologie
Eine Ontologie bezieht sich auf eine strukturierte Darstellung von Wissen eines bestimmten Bereichs. Im Bereich der ATR bezieht sich eine Ontologie auch auf ein kontrolliertes Vokabular, das das Layout eines Textdokuments beschreibt.
Output/Ausgabe
Output sind Dateien oder Parameter, die man am Ende eines Computerprozesses erhält, z.B. eine TEI-Datei mit aus einem Bilddokument extrahiertem Text.
P
Pixel
Ein Pixel ist die kleinste Einheit eines digitalen Bildes oder einer Grafik, die auf einem digitalen Gerät angezeigt und dargestellt werden kann.
Portable Document Format (PDF)
PDF, auf Deutsch „Portables Dokumentformat“ ist ein Dateiformat zur Erfassung elektronischer Dokumente in genau dem vorgesehenen Format.
Post-ATR Korrektur
Die Post-ATR-Korrektur ist der Prozess der automatischen oder manuellen Korrektur der ATR-Ausgabe.
Pre-Processing
Pre-Processing, auf Deutsch Vorverarbeitung umfasst bei digitalen Dokumenten verschiedene Schritte mit häufig automatisierten Verfahren. Sie hängen von der Art der Daten ab, die vorverarbeitet werden müssen. In der Regel sind die folgenden Schritte enthalten: Bereinigung, Normalisierung, Layoutkorrektur und Formatierungsanpassungen. Insgesamt zielt Pre-Processing darauf ab, die Qualität der Daten zu verbessern, mit denen man arbeitet.
Q
Qualitätssicherung
Die Qualitätssicherung in der ATR umfasst die systematische Bewertung und Validierung der erkannten Textausgabe. Sie gewährleistet die Genauigkeit und Zuverlässigkeit des ausgegebenen Textes und garantiert die Qualität des Modells für die zukünftige Verwendung.
R
Regelbasierte Methoden
Regelbasierte Methoden werden in der KI eingesetzt, damit der Computer auf der Grundlage vordefinierter logischer Regeln Entscheidungen treffen oder Aufgaben ausführen kann.
S
Scannen
Scannen ist das Verfahren, mit dem analoge, physische Dokumente in ihr digitales Gegenstück umgewandelt werden.
Segmentierung
Segmentierung ist der Prozess der Unterteilung eines Bildes in verschiedene Regionen und/oder Segmente. Er dient dazu, die Analyse zu vereinfachen und Interessensobjekte oder -bereiche innerhalb des Bildes zu identifizieren und abzugrenzen. Im Falle der ATR betrifft dies Zonen und Linien in einem Textdokument.
Segmentierungsmodell
Ein Segmentierungsmodell ist ein trainiertes Modell für die Layoutanalyse [siehe Eingabemodell und Segmentierung].
Selbst-Aufmerksamkeitsmechanismus
Selbst-Aufmerksamkeit bezieht sich auf den Mechanismus, verschiedene Positionen einer einzelnen Sequenz in Beziehung zu setzen, um eine Repräsentation davon zu berechnen. Sie wird von Transformer-Modellen verwendet, um sequentielle Daten verarbeiten zu können.
Stewardship
Langzeitarchivierung, Persistenz, Zugänglichkeit und Lesbarkeit von Kulturerbedaten sollten bei digitalen Forschungsprojekten eine Priorität sein. Siehe die Charta zur Wiederverwendung von Kulturerbe-Daten von DARIAH.
T
Taxonomie
Taxonomien kategorisieren Daten mit Hilfe eines hierarchischen Klassifizierungssystems. Daten oder Informationen können anhand bestimmter Merkmale in Gruppen eingeteilt werden.
TIFF
Die Abkürzung TIF steht für Tag(ed) Image File Format. Es ist ein Bilddateiformat zum Speichern von Rastergrafiken, das v.a. in Grafik, Fotografie und für die Langzeitarchivierung gesetzt wird. Das Dateiformat eignet sich hervorragend zum Speichern von Bildern, da keine Informationen verloren gehen. Es ist jedoch sehr komplex und daher groß.
Topline
Siehe Oberlinie.
Training
Training ist der Lernprozess der ATR-Maschine zur Erstellung eines Modells.
Transformatoren
Transformatoren sind eine Art von Deep-Learning-Modell in der KI. Transformer-Modelle nutzen einen Mechanismus namens “Selbst-Aufmerksamkeit”, um sequenzielle Daten unter Berücksichtigung von Kontext verarbeiten zu können. Aufgrund ihrer Fähigkeit, komplexe Beziehungen in den Eingabesequenzen zu erkennen, sind sie besonders leistungsfähig bei Aufgaben wie der Verarbeitung natürlicher Sprache und der maschinellen Übersetzung.
U
Urheberrecht
Das Urheberrecht definiert den rechtlichen Schutz, der Urhebern und Urheberinnen von Originalwerken gewährt wird. Es gewährt ihnen das ausschließliche Recht, ihre Werke zu reproduzieren, zu verbreiten und auszustellen, und verhindert auch die Nutzung durch nicht autorisierte Parteien.
V
Verantwortungsvolles Verwahren
Langfristige Bewahrung, Fortbestand, Zugänglichkeit und Lesbarkeit von Kulturerbe-Daten sollten eine Priorität sein. Siehe die Charta zur Wiederverwendung von Kulturerbe-Daten von DARIAH.
Vertrauenswürdigkeit
Die Herkunft der Daten des kulturellen Erbes und die sich daraus ergebende Forschung sollte transparent, aktuell, offen zugänglich und damit vertrauenswürdig sein. Siehe die Charta zur Wiederverwendung von Kulturerbe-Daten von DARIAH.
Vorhersage
Die Vorhersage ist eine automatisch erstellte Transkription eines Textes, die von einer ATR-Software vorgenommen wird.
Vorverarbeitung (pre-processing)
Siehe Pre-Processing.
W
Word Error Rate (WER)
Word Error Rate, auf Deutsch „Wortfehlerrate“, ist ein Wert zur Beurteilung der Genauigkeit der Worterkennung bei einer automatischen Transkription. Ein Wert von 5 % bedeutet zum Beispiel, dass die automatische Transkription 95 von 100 Wörtern korrekt transkribiert hat.
X
XML Analysed Layout and Text Object (ALTO)
ALTO, auf Deutsch „Analysiertes Layout und Textobjekt“ ist ein XML-Standard für die Darstellung des physischen Layouts und der logischen Struktur von Text, der mit OCR oder HTR transkribiert wurde. Es behält alle geometrischen Koordinaten des Inhalts (Text, Illustrationen, Grafiken) im Bild bei und ermöglicht die Überlagerung von Bild und Text.
XML Page Analysis and Ground Truth Elements (PAGE)
PAGE, auf Deutsch „Seitenanalyse und Ground Truth Elemente“, ist ein XML-Standard für die Kodierung digitalisierter Dokumente. Er ist mit dem ALTO-Format vergleichbar und kann verwendet werden, um die Struktur einer Seite und ihren Inhalt darzustellen.
XML Text Encoding Initiative (TEI)
TEI, auf Deutsch „Textkodierungsinitiative“, basiert auf den Richtlinien der Text Encoding Initiative. Es handelt sich um einen Standard für die Kodierung und Strukturierung von Textinformationen mit Hilfe von XML-Auszeichnung. Dies ermöglicht die Darstellung detaillierter Texte mit umfangreichen Metadaten und erleichtert die wissenschaftliche Analyse und den Austausch digitaler Texte.
Z
Zitierfähigkeit
Die Daten des kulturellen Erbes und alle daraus resultierenden Forschungsarbeiten müssen vollständig zitierfähig sein, um ihre Sichtbarkeit und Wirkung zu erhöhen. In Forschungsprojekten sollten daher einschlägige Standards für die Zitierbarkeit von Daten angewandt werden.