Automatic Metadata Extraction from Museum Specimen Labels

P. Bryan Heidorn; Qin Wei

edoc-Server der Humboldt-Universität zu Berlin

Konferenzbeitrag

Autor(en):	P. Bryan Heidorn; Qin Wei
Titel:	Automatic Metadata Extraction from Museum Specimen Labels
Erscheinungsdatum:	08.08.2008
Erschienen in:	International Conference on Dublin Core and Metadata Applications – Metadata for Semantic and Social Applications 22 - 26 September 2008, Berlin (DC-2008) 22.09.2008 - 26.09.2008 Humboldt-Universität zu Berlin S. 57-68
Herausgeber:	Jane Greenberg
Volltext:	pdf (urn:nbn:de:kobv:11-10092676)
Schlagwörter (eng):	automatic metadata extraction, machine learning, Hidden Markov Model, Naïve Bayes, Darwin Core
Einrichtung:	Humboldt-Universität zu Berlin
Metadatenexport: Um den gesamten Metadatensatz im Endnote- oder Bibtex-Format zu speichern, klicken Sie bitte auf den entsprechenden Link.	Endnote Bibtex
print on demand: Wenn Sie auf dieses Icon klicken, können Sie ein Druckexemplar dieser Publikation bestellen.
Diese Seite taggen: Diese Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer ansehen können.

Abstract (eng):

This paper describes the information properties of museum specimen labels and machine learning tools to automatically extract Darwin Core (DwC) and other metadata from these labels processed through Optical Character Recognition (OCR). The DwC is a metadata profile describing the core set of access points for search and retrieval of natural history collections and observation databases. Using the HERBIS Learning System (HLS) we extract 74 independent elements from these labels. The automated text extraction tools are provided as a web service so that users can reference digital images of specimens and receive back an extended Darwin Core XML representation of the content of the label. This automated extraction task is made more difficult by the high variability of museum label formats, OCR errors and the open class nature of some elements. In this paper we introduce our overall system architecture, and variability robust solutions including, the application of Hidden Markov and Naïve Bayes machine learning models, data cleaning, use of field element identifiers, and specialist learning models. The techniques developed here could be adapted to any metadata extraction situation with noisy text and weakly ordered elements.

Zugriffsstatistik:

Die Daten für die Zugriffsstatistik der einzelnen Dokumente wurden aus den durch AWStats aggregierten Webserver-Logs erstellt. Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.

Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen (insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert auf eine der Dateien (Kapitel) des Dokuments angezeigt.

Um die detaillierten Zugriffszahlen zu sehen, fahren Sie bitte mit dem Mauszeiger über die einzelnen Balken des Diagramms.

Jun
11

Jul
11

Aug
11

Oct
11

Dec
11

Jan
12

Feb
12

Apr
12

May
12

Jun
12

Jul
12

Aug
12

Sep
12

Oct
12

Nov
12

Dec
12

Jan
13

Feb
13

Mar
13

Apr
13

May
13

Monat	Jun 11	Jul 11	Aug 11	Oct 11	Dec 11	Jan 12	Feb 12	May 12	Jun 12	Jul 12	Aug 12	Sep 12	Oct 12	Nov 12	Dec 12	Jan 13	Feb 13	Mar 13	Apr 13	May 13
Startseite	1	2		1	2	4		2	1	2	5	2		4				1
PDF	1	4	1		5	5	1	2	1	7	2	5	3	4	2	21	8	15	13	18

Gesamtzahl der Zugriffe seit Jun 2011:

Startseite – 27 (1.29 pro Monat)
PDF – 118 (5.62 pro Monat)

Generiert am 19.06.2013, 22:50:14