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.

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.

57.645 datos OCR de escenas de texto verticales. Las escenas de la colección incluyen escenas de calles, placas, vallas publicitarias, carteles, decoraciones, caracteres artísticos, portadas de revistas, etc. La distribución lingüística es china e inglesa (unas pocas). En cuanto a las anotaciones, se pueden realizar anotaciones en cajas rectangulares a nivel de columna (cajas poligonales, cajas de paralelogramo) y transcripciones de contenido a nivel de columna; anotaciones en cajas rectangulares no verticales (cajas poligonales, cajas de paralelogramo) y transcripciones de contenido no verticales. Este conjunto de datos puede utilizarse para diversas tareas de OCR de escenas de texto verticales.

14.980 imágenes de datos OCR de PPT en 8 idiomas que cubren 8 idiomas, múltiples escenas, diferentes ángulos de captura, diferentes distancias de captura y diferentes condiciones de iluminación. En cuanto a anotaciones, se realizó anotación de cuadriláteros para texto a nivel de línea y transcripción de texto a nivel de línea. Este conjunto de datos OCR de PPT multilingüe puede utilizarse para tareas OCR en múltiples idiomas.

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.

5.147 datos OCR de escritura manual en japonés. Los soportes de texto son papel A4, papel rayado horizontal, papel cuadriculado, etc. El equipo de recopilación fue teléfono móvil, el ángulo de recopilación fue ángulo de visión horizontal. El contenido de estos datos cubre campos como ensayos en japonés, poesía, prosa, noticias, historias. En términos de anotación, se anotan cuadriláteros de texto a nivel de línea, transcripción de texto a nivel de línea. Este conjunto de datos se puede utilizar para tareas OCR de escritura manual japonesa.

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.

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.

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.