Aurora OCR is a proprietary character-recognition and document-understanding engine for Latin and Cyrillic documents: scans, photos and PDFs. It is the shared core of several document and HR-technology products.
How accuracy is counted. Upper- and lower-case letters that share one shape (c/C, o/O, s/S and similar) are scored as correct by the character model. Their case is decided afterwards by a separate rule from the geometry of the text line.
Reaching at least 99.8 % under realistic degradation: displaced characters, background artefacts, blur, low contrast, varying stroke weight and phone photos of paper. The training pipeline uses hard-example mining, targeted retraining and simulated scanner and camera damage.
The next stage is line-level OCR.
All products are in closed development.
Aurora OCR es un motor propio de reconocimiento de caracteres y comprensión de documentos en alfabeto latino y cirílico: escaneos, fotos y PDF. Es el núcleo común de varios productos de documentos y tecnología de RR. HH.
Cómo se cuenta la precisión. Las mayúsculas y minúsculas de una misma forma (c/C, o/O, s/S y similares) se cuentan como acierto del modelo de caracteres. La caja se decide después con una regla aparte, por la geometría de la línea de texto.
Alcanzar al menos un 99,8 % con degradación realista: caracteres desplazados, fondos, desenfoque, bajo contraste, distinto grosor de trazo y fotos de papel hechas con el móvil. El entrenamiento usa minería de ejemplos difíciles, reentrenamiento dirigido y daños simulados de escáner y cámara.
La siguiente etapa es el OCR por líneas.
Todos los productos están en desarrollo cerrado.