Datasets de OCR

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.

500.000 imágenes de datos OCR de escenas naturales y documentos multinacionales, que incluyen 20 idiomas como chino tradicional, japonés, coreano, indonesio, malayo, tailandés, vietnamita, polaco, etc. La diversidad de captura incluye múltiples escenas naturales, múltiples ángulos de toma. Este conjunto de datos puede usarse para tareas OCR de idiomas multinacionales.

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.

3.506 imágenes de datos de OCR en hindi anotados y transcritos incluyen 2.056 imágenes naturales, 1.103 de internet, 347 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 hindi anotados y transcritos puede usarse para reconocimiento de hindi en múltiples escenarios, traducción fotográfica de hindi, etc.

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.

14.511 hojas de datos OCR en escritura inglesa. Los soportes de texto son papel A4, papel cuadriculado horizontal y papel inglés. El dispositivo de adquisición es un teléfono móvil, y el ángulo de adquisición es una perspectiva de vista plana. El contenido de estos datos abarca los campos de la composición inglesa, la poesía, la prosa, las noticias, los relatos, etc. En cuanto a la anotación, se marcan los cuadros cuadriláteros del texto a nivel de línea y se transcribe el texto a nivel de línea. Este conjunto de datos puede utilizarse para tareas de reconocimiento óptico de escritura en inglés.

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.

71.535 imágenes de datos OCR en escenas naturales en inglés, las escenas de recopilación fueron capturadas in situ en Reino Unido y Estados Unidos. La diversidad de datos incluye múltiples escenas, múltiples ángulos de captura y múltiples condiciones de iluminación. En cuanto a anotaciones, se realizó anotación de cuadros delimitadores rectangulares (o cuadriláteros) a nivel de línea, palabra y carácter para los datos OCR en inglés, y se transcribió el contenido textual. Este conjunto de datos OCR en escenas naturales en inglés puede utilizarse para tareas OCR en escenas naturales en inglés.

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.