Datasets de OCR

222.289 imágenes de datos OCR de escenas naturales en chino, las escenas de recopilación cubren interiores y exteriores. La diversidad de datos incluye múltiples escenas y múltiples ángulos de captura. En cuanto a anotaciones, se realiza anotación a nivel de línea, anotación a nivel de palabra, anotación a nivel de carácter y transcripción de contenido para el texto en las imágenes. Este conjunto de datos OCR de escenas naturales en chino puede utilizarse para tareas OCR en escenas naturales.

9.497 imágenes de datos OCR para 10 tipos de tablas, anotadas mediante cuadros delimitadores rectangulares. Este conjunto es utilizable para detección y reconocimiento de tablas.

17.561 imágenes de datos de recolección de exámenes matemáticos de primaria con fondo liso. Cubre múltiples tipos de preguntas, formatos de examen (cuadernillos, exámenes, pruebas competitivas, etc.), grados. Este conjunto de datos de recolección de exámenes matemáticos de primaria puede usarse para corrección automática, tutorías, etc.

4.995 imágenes de datos de OCR en vietnamita anotados y transcritos incluyen 258 imágenes naturales, 2.553 de internet, 2.184 de texto. Anotación: Contenido por línea: caja delimitadora cuadrilátera por línea, transcripción por línea; Contenido vertical: caja delimitadora cuadrilátera vertical, transcripción vertical. Este conjunto de datos de OCR en vietnamita anotados y transcritos puede usarse para reconocimiento de vietnamita en múltiples escenarios, traducción fotográfica de vietnamita, etc.

104.320 datos OCR de escenas naturales en coreano e hindi. Escenarios de recopilación incluyen empaques de productos, carteles, boletos de transporte, letreros informativos, menús, señales de edificios, etc. Diversidad: múltiples escenarios, ángulos de captura, condiciones de iluminación. Distribución lingüística: coreano, hindi e inglés (pequeña cantidad). En anotaciones: Anotación de caja poligonal (o cuadrilátero, rectángulo) a nivel de línea, transcripción de contenido a nivel de línea, atributos de texto (tipo de idioma); Anotación de caja poligonal (o cuadrilátero, rectángulo) a nivel de columna, transcripción de contenido a nivel de columna, atributos de texto (tipo de idioma). Este conjunto de datos OCR de escenas naturales en coreano e hindi puede usarse para tareas OCR en escenas naturales coreanas e hindúes.

Los 105.941 datos OCR de escenas naturales abarcan 12 idiomas, incluidos 6 idiomas asiáticos y 6 idiomas europeos, y la colección cubre una variedad de escenas naturales y una variedad de ángulos de toma. En cuanto a la anotación, se etiquetan los cuadros cuadriláteros de texto a nivel de línea y se transcribe el texto a nivel de línea. Este conjunto de datos puede utilizarse para tareas de OCR multilingüe.

Datos de escritura manual japonesa/coreana de 100 personas, los participantes totales son 100 personas: 50 japoneses, 49 coreanos y 1 afgano. Para cada persona, el corpus escrito es diferente. La diversidad de datos incluye múltiples dispositivos móviles y diferentes corpus. Este conjunto de datos de escritura manual japonesa/coreana puede utilizarse para reconocimiento OCR de escritura manual japonesa y coreana.

Datos OCR de escritura manual japonesa de 4.538 imágenes de 101 personas, el soporte de texto es papel A4. El contenido de estos datos cubre áreas como asuntos sociales, entretenimiento, turismo, eventos deportivos, cine, composición musical, etc. En cuanto a la anotación, se realizó anotación de cuadros delimitadores a nivel de carácter, transcripción de contenido a nivel de carácter, anotación de cuadros delimitadores a nivel de línea y transcripción de contenido a nivel de línea. Este conjunto de datos puede usarse para tareas OCR de escritura manual japonesa.

30.000 imágenes de datos OCR de escenas naturales en idiomas minoritarios del sudeste asiático, que incluyen 3 idiomas: jemer (Camboya), laosiano y birmano. La diversidad de captura incluye múltiples escenas naturales, múltiples ángulos de toma. Este conjunto de datos puede usarse para tareas OCR de idiomas del sudeste asiático.