Jeux de données OCR

Ce corpus comprend 2 504 échantillons d’écriture manuscrite en chinois, destinés à l’OCR. Les supports varient : papier A4, papier quadrillé ou ligné, tableaux blancs, post-it colorés, fiches de réponse, etc. Les contenus incluent poèmes, essais, annonces promotionnelles, messages de vœux, listes de souhaits, extraits, compositions et notes. Le corpus reflète une grande diversité de supports, de styles d’écriture, de contenus et d’angles de prise de vue (vue frontale et contre-plongée). Les annotations incluent des cadres quadrilatéraux ligne/colonne et les transcriptions associées. Cette base est idéale pour les projets de reconnaissance d’écriture manuscrite en chinois.

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

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

Données OCR pour 30 000 images en langues minoritaires d'Asie du Sud-Est : Khmer (Cambodge), Laotien, Birman. Diversité : scènes naturelles, angles de prise de vue. Utilisable pour l'OCR en langues d'Asie du Sud-Est.

500 000 images de données OCR annotées provenant de scènes naturelles, de scènes de documents photographiés et de scènes électroniques dans 21 pays. Les données contiennent 21 langues, et le nombre de feuilles dans chaque langue est réparti entre 20 000 et 25 000. Les types de données incluent les scènes naturelles, les scènes photo de document et les scènes électroniques. La diversité des données comprend plusieurs types de données, plusieurs angles de prise de vue et plusieurs langues. En termes d'annotation, l'annotation quadrilatérale ou polygonale au niveau de la ligne (colonne) et la transcription du contenu au niveau de la ligne (colonne) sont adoptées. Les données peuvent être utilisées pour des tâches de reconnaissance OCR multilingues.

Ce jeu de données contient 5 000 images capturées en environnement naturel, avec du texte en langue turque et une variété d’angles de prise de vue. L’annotation comprend à la fois des encadrements quadrilatéraux et polygonaux au niveau des lignes de texte, associés à leur transcription. Ce corpus est destiné aux systèmes OCR multiformats orientés vers la langue turque dans des conditions réelles.

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.

5 147 images d'écriture manuscrite japonaise sur papier A4, papier ligné/quadrillé, etc. Capture : Smartphone, hauteur des yeux. Contenu : rédactions, poèmes, prose, informations, histoires, etc. Annotation : Boîte quadrilatère au niveau de la ligne, transcription. Utilisable pour l'OCR d'écriture manuscrite japonaise.

Ce corpus OCR contient des écritures manuscrites collectées auprès de 1 000 Européens habitués à écrire en italien. Les documents ont été numérisés avec un angle de vue frontal. Les données comprennent des adresses, des noms d’entreprise et des noms propres. Ce corpus est destiné à des applications de reconnaissance manuscrite en langue italienne.