Jeux de données OCR

Données OCR d'écriture manuscrite pour 9 574 images de tableaux noirs/tableaux blancs en 8 langues : Anglais, Espagnol, Portugais, Français, Allemand, Japonais, Italien, Néerlandais. Diversité : environnements, supports, langues, angles de prise de vue (hauteur des yeux, aérien, contre-plongée). Annotation : Boîte quadrilatère/polygone au niveau de la ligne, transcription. Utilisable pour l'OCR d'écriture manuscrite.

Vietnamese, OCR, document images, Internet images, natural scenes, multiple angles, different light conditions, quadrilateral bounding box annotation, line-level transcription for the texts, column-level transcription for the texts

Ce jeu de données comprend 500 000 images issues de documents ou de scènes naturelles, couvrant 20 langues telles que le chinois traditionnel, le japonais, le coréen, l’indonésien, le malais, le thaï, le vietnamien ou encore le polonais. Grâce à sa diversité linguistique et contextuelle, ce corpus constitue une base robuste pour le développement de systèmes OCR multilingues performants.

9 497 images de 10 types de formulaires, annotées avec des boîtes de délimitation rectangulaires. Utilisable pour la reconnaissance de formulaires.

Hindi, OCR, document images, Internet images, natural scenes, multiple angles, different light conditions, quadrilateral bounding box annotation, line-level transcription for the texts, column-level transcription for the texts

Primary School Mathematics Papers, OCR, multiple types of questions (Vertical calculation, Horizontal calculation, Recursive calculation, Fraction, Solving equation, etc.), multiple types of test papers (math workbooks, test papers, competition test questions, etc.), multiple grades

Corpus manuscrit OCR en langue anglaise contenant 14 511 images. Les supports papier incluent des feuilles A4, du papier ligné et du papier à lettres anglais. Les les images ont été saisies à l’aide de smartphones, selon un angle de vue perpendiculaire. Elles couvrent des contenus variés : essais, poèmes, récits, articles de presse et histoires. Chaque ligne de texte a été annotée avec une boîte quadrilatérale et une transcription précise ligne par ligne. Ce corpus est conçu pour l’entraînement et à l’évaluation de modèles OCR pour l’écriture manuscrite anglaise.

Ce corpus de 104 320 images OCR en contextes naturels coréen et hindi comprend des scènes telles que des emballages de produits, affiches, billets, panneaux d'information, menus et enseignes de bâtiments. La diversité des données repose sur la variété des environnements, angles de prise de vue et conditions lumineuses. Les langues représentées sont le coréen, l'hindi, ainsi qu'un faible pourcentage d’anglais. Les annotations sont réalisées à deux niveaux : au niveau ligne et colonne, avec des encadrements polygonaux (ou quadrilatères/rectangles), transcription textuelle et étiquetage linguistique. Ce jeu de données est parfaitement adapté aux tâches OCR sur scènes naturelles en coréen et hindi.

English, natural scenes, OCR, multiple scenes, multiple photographic angles, multiple light conditions, line-level & word-level & character-level bounding box, text transcription