StepFun/GOT-OCR-2.0-hfのセットアップと環境構築
StepFunが開発したGOT-OCR-2.0-hfは、多言語対応の高性能OCRモデルであり、日常的な文書から複雑な図表や数式、楽譜に至るまで幅広いコンテンツを高精度で認識可能です。1024×1024ピクセルの高解像度入力に対応し、複数ページの一括処理や動的領域分割、色・座標指定による選択的認識など柔軟な機能を備えています。Apache 2.0ライセンスで公開されており、Hugging Face経 ...
5月31日 08:15 投稿
TextInとSpring Bootを連携させた画像認識の実装
概要
画像認識とは
画像認識は、コンピュータビジョンと機械学習技術を活用して画像内の情報を解釈・識別するプロセスです。この技術により、画像から文字、物体、シーンなどの情報を抽出し、編集可能かつ検索可能なデータに変換できます。画像認識は、監視システム、ソーシャルメディアの分析、医療画像処理、自動運転車の視覚システムなど幅広い分野で応用されています ...
5月24日 20:47 投稿
DeepSeek OCR APIの完全ガイド：画像とPDFの文字認識を実装する技術ドキュメント
DeepSeek OCR APIの概要と導入
DeepSeek OCRは画像とPDFの文字認識を高精度で実行できるAPIを提供します。画像処理、複雑な表組み認識、PDFの多ページ処理など、さまざまなシナリオに対応する機能を備えています。HTTPリクエストで簡単に統合可能であり、開発者は画像やPDFから構造化されたテキストを抽出できます。
APIエンドポイント一覧
POST /ocr/image：画像の文字 ...
5月22日 23:14 投稿
VGGネットワーク：モジュラー設計による画像認識モデル
深層ニューラルネットワークの設計において、モジュラー構造を導入した代表的なアーキテクチャがVGGネットワークである。VGGは畳み込み層の繰り返しブロックを基本単位とし、画像認識タスクにおける高い精度を実現した。
VGGブロックの構成
VGGブロックは複数の畳み込み層とプーリング層で構成される。各畳み込み層の特徴は：
カーネルサイズ：3×3
パディング：1（ ...
5月18日 08:45 投稿
高齢者向け薬剤パッケージ認識システムの構築
視覚支援技術による高齢者の服薬ミス防止
日本の高齢化が進む中、視力の低下や記憶力の衰えに伴い、誤った薬の服用や飲み忘れ、重複投与といった問題が深刻化しています。厚生労働省の調査によると、65歳以上の高齢者の約35%が過去に何らかの服薬エラーを経験しており、その主な要因の一つが薬の包装容器の見分けにくさです。こうした課題に対し、AIを活用した画 ...
5月17日 15:19 投稿