New Tools for Old Documents

2 de noviembre

SIMS Online Lecture: How to Transcribe a Million Manuscripts with eScriptorium

Peter Stokes, École Pratique des Hautes Études – Université PSL (Paris)


Friday, December 3, 2023, 12:00 - 1:30 pm EST

 

https://libcal.library.upenn.edu/calendar/kislak/escriptorium

Overview

Information Retrieval

Technologies for transforming scans, images, PDFs, audio, and other media into machine readable data.

1.

Organization & Evaluation

Clean, evaluate, curate, and document.

2.

Research Methods

Methods and research practices for the study of large document collections. How ML can augment existing research practices.

3.

Pre-Processing

Organization & Evaluation

Clean, evaluate, curate, and document.

2.

Not-Form (170,000)

Form (300,000)

08 62 83 42 92 92 888 12 08 61 81 41 91 ST E
a
Bernalda Buch, consta igualmente por las sitadas hi-
Juelas, como el de cada uno de los tres intere-
sados para oviar disputas y discordias le fue adjudr-
cado al primero la quebrada de Indipurdo grande en
ciento y conquentas; al segundo la quebrada de / gor
en igual cantidad con el aumento de 30, castellanos
del corte de San Pedro; y al menor la que brada de
procede esta venta en ciento y cinquenta cast todo
consta como dicho es de las citadas hijuelas; & todo en
la cantidad de seiscientos tremtay sais p² cast
que confiesa el otorgante haver recivido de manos
de los compradores a mi entera satisfaccion y en la
especie de moneda sobre qu
te You I recivo para certificarlo, lo confiera y renuncia
que por no ser de presen-
alegar de contrario la excepcion y ley de la nom nu-
merata pecunia, su prueva, y de mas del Lago. Y declad
ta que la citada quebrada, entables, casas, ganado y escla -
Yo errel Justo precio, y verdadero valor de la cantidad
referida, que no vale más, y en caso de que algo mas
valga de su demacia y mas valor le hace gracia y
cron a los compradores, buena, pura, { } Jy perfecta
eurovocable de los que el derecho llama intensivos,
Sera y al renuncia la ley de ordenamiento real
fecho en cortes de alcala de henares, y las quatro
al que ella se declaran para
Suplemento a un verdadero valor, si d
fraude
o engaño, y demas leyes que con
7
ellas concuerdan
desde hoy en adelante se desapoderar del derecho de
Y
accion, posesion, propiedad, dominio y señorio que a todo
lo referido tenia adquirido, y todo lo cede, renuncia y
traspasa en los compradores. En los mismos termmos
que lo ha poseido de los vendedores, para que
conto cosa propia puedan cambearlo, venderby
enagenarlo a su voluntad y como real vendedor se
obliga a la exicion, seguridad, Saneamiento y for.
mesa para que si sobre su propiedad, padeceten
dolo, fraude o engaño saldra à la voz y defensa
y a su casta 1.. Asicion ) lo seguira, fenesera y a-
Cabara hasta dejar a los compradores en quieta y
dona-
dir el contrato b
-
A
que
PP28
YIS
15
168

 

eScriptorium

A web interface to manage annotations and CNN model training with kraken

Information Retrieval

Base Model

  • Trained on large heterogeneous data
  • Learns a general model of language or materials
  • Works out of the box
  • Fine-tuning is always better (but not always possible)

Fine-Tuning

  • Builds on training and data of base model and inherits bias
  • Focuses the model's "understanding" to specific domain or materials
  • Can tune for various tasks (classification, text extraction...

Open Source Models

CNN

Tesseract

CNN

Kraken

ViT

Nougat

Commercial Offerings

OCR+HTR

Vision

OCR

ABBYY

VDU

Document AI

Links now!

NewToolsOldDocs-Nov2

By Andrew Janco

NewToolsOldDocs-Nov2

  • 112