Datasets para OCR

222.289 Imagens - Dados de OCR de Cenários Naturais em Chinês, cobrindo cenários internos e externos. A diversidade dos dados inclui vários cenários e vários ângulos de captura.  São realizadas anotaões de linha, de palavra e de carácter e transcrição do conteúdo nas imagens. Este conjunto de dados pode ser utilizado para tarefas de OCR de cenários naturais.

9.497 Imagens - Dados de OCR de 10 Tipos de Tabelas, com anotação de caixas retangulares, podem ser utilizado para tarefas como Deteção e reconhecimento de tabelas.

17.561 Imagens - Dados de Provas de Matemática do Ensino Básico recolhidos com fundo liso, abrangem diversos tipos de questões, múltiplos tipos de prova (cadernos de exercícios, exames escritos, testes competitivos, etc.) e vários anos letivos. Este conjunto de dados aplica-se a tarefas como correção inteligente de exames e orientação de trabalhos de casa para alunos do ensino básico.

4.995 Imagens - Dados de Anotação e Transcrição de OCR em Vietnamita contêm 258 de cenários naturais, 2.553 imagens textuais de internet e 2.184 imagens de texto. Na anotação, este conjunto de dados está anotado por caixas delimitadores quadriláteras a nível de linha, transcrição de conteúdo a nível de linha, caixas delimitadores quadriláteras a nível de coluna vertical e transcrição de conteúdo a nível de coluna vertical. Este conjunto aplica-se a tarefas como reconhecimento de Vietnamita em múltiplos cenários e tradução por captura de imagem em Vietnamita.

104,320 imagens de dados OCR (Reconhecimento Óptico de Caracteres) em cenas naturais de coreano e hindi. Os cenários de coleta incluem embalagens de produtos, cartazes, bilhetes, avisos, cardápios, placas de edifícios, entre outros. A Diversidade dos Dados abrange múltiplos cenários, diferentes ângulos de captura e variadas condições de iluminação. A distribuição dos idiomas inclui coreano, hindi e inglês (em pequena quantidade). Quanto à anotação, os dados são marcados com caixas poligonais (ou caixas quadriláteras ou retangulares) a nível de linha, transcrição do conteúdo da linha e atributos do texto (tipo de idioma); também são feitas marcações poligonais a nível de coluna, transcrição do conteúdo da coluna e atributos do texto (tipo de idioma). Este conjunto de dados OCR de cenas naturais em coreano e hindi pode ser usado para tarefas de OCR em cenas naturais nessas línguas.

105.941 Imagens - Dados de OCR de Cenários Naturais em 12 Línguas abrangem 12 línguas incluindo 6 asiáticos e 6 europeus, recolhidos em vários cenários naturais e capturados de diveros ângulos. Com anotação por caixas delimitadores quadriláteras para textos a nível de linha e transcrição de conteúdo a nível de linha, este conjunto de dados aplica-se a tarefas como reconhecimento de OCR em múltiplas línguas.

100 Pessoas - Dados de Caligrafia Japonesa e Coreana, o total de pessoas que entraram nos dados sendo 100 pessoas, com 50 japoneses, 49 coreanos e 1 afgano. Para cada pessoa, o corpus de escrita é diferente. A diversidade dos dados inclui vários dispositivos móveis e diferentes corpos de texto. Este conjunto de dados de caligrafia japonesa e coreana pode ser utilizado para reconhecimento óptico de caracteres (OCR) de caligrafia japonesa e coreana.

101 Pessoas -  Dados de OCR de 4.538 Imagens de Manuscritos Japoneses, com substrato textual de papel A4, abrangem domínios como bem-estar social, entretenimento, turismo, eventos esportivos, cinema e composição musical. São realizadas anotações de caixas retangulares a nível de carácter, transcrição de conteúdo a nível de carácter, anotações de caixas retangulares a nível de linha e transcrição de conteúdo a nível de linha. Este conjunto de dados pode ser utilizado para tarefas de OCR de letras manuscritas japonesas.

30,000 imagens OCR de idiomas menores do Sudeste Asiático (cambodja, lao, birmanês), em ambientes naturais e ângulos variados. Indicadas para OCR de idiomas minoritários.