Datasets de OCR

2.504 datos OCR de escritura china. Los entornos de escritura incluyen papel A4. papel cuadriculado, papel cuadriculado horizontal, pizarras blancas, notas adhesivas de colores y tarjetas de respuesta. El contenido de la escritura incluye poesía, prosa, avisos de eventos en tiendas, bendiciones, listas de deseos, texto extraído, ensayos y notas. La diversidad de datos incluye múltiples papeles de escritura, múltiples tipos de letra, múltiples contenidos de escritura y múltiples ángulos de recogida. Los ángulos de recogida son la vista plana y la vista en alzado. En cuanto a la anotación, se etiquetan las cajas cuadriláteras del texto a nivel de línea o columna y se transcribe el texto a nivel de línea o columna. Este conjunto de datos puede utilizarse para tareas de reconocimiento óptico de caracteres de escritura china.

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.

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.

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.

500.000 imágenes de datos de anotación OCR de escenas naturales, escenas de fotos de documentos y escenas electrónicas de 21 países. Los datos incluyen 21 idiomas, con una distribución de 20,000 a 25,000 imágenes por idioma. Los tipos de datos incluyen escenas naturales, escenas de fotos de documentos y escenas electrónicas. La diversidad de datos incluye múltiples tipos de datos, múltiples ángulos de captura y múltiples idiomas. En cuanto a la anotación, se utiliza anotación a nivel de fila (columna) con cuadriláteros o polígonos y transcripción de contenido a nivel de fila (columna). Los datos pueden utilizarse para tareas de reconocimiento OCR multilingüe.

5.000 imágenes de datos OCR en turco en escenas naturales incluyen múltiples escenas naturales, múltiples ángulos de toma. En cuanto a anotaciones, se anota el cuadro delimitador cuadrilátero y la transcripción de texto a nivel de línea, anotación de cuadro delimitador poligonal y transcripción. Este conjunto de datos puede usarse para tareas OCR de idioma turco.

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.

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 de OCR de escritura manual italiana de 1.000 personas. Los escritores son europeos acostumbrados a escribir en italiano. El equipo de recopilación es escáner, el ángulo de recopilación es a nivel de los ojos. El contenido de estos datos cubre direcciones, nombres de empresas, nombres de personas. Este conjunto de datos se puede utilizar para tareas de OCR de escritura manual italiana.