Datasets para OCR

Dados de OCR de escrita manual de cartazes em 8 idiomas estrangeiros – 9,574 imagens. Idiomas incluem inglês, espanhol, português, entre outros. Diversidade de coleta abrange diferentes ambientes, suportes de escrita, línguas e ângulos de captura (frontal, de baixo e de cima). A anotação inclui marcação de quadriláteros em nível de linha de texto (ou polígonos) e transcrição do conteúdo. Ideal para tarefas de OCR em escrita manual.

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.

500,000 imagens OCR de idiomas diversos (chinês tradicional, japonês, coreano, indonésio, malaio, tailandês, vietnamita, polonês etc.), capturadas em cenários naturais com vários ângulos. Indicadas para tarefas de OCR multilíngue.

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.

3.506 Imagens - Dados de Anotação e Transcrição de OCR em Híndi contêm 2.056 de cenários naturais, 1.103 imagens textuais de internet e 347 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 Hindi em múltiplos cenários e tradução por captura de imagem em Hindi.

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.

14.511 imagens de OCR de escrita manual em inglês. Os textos foram escritos em folhas A4, papel pautado e outros suportes. A captação foi feita com telemóveis, em perspetiva frontal. Os conteúdos abrangem redações, poemas, ensaios, notícias, histórias, entre outros. As anotações incluem caixas quadriláteras por linha e transcrição da linha. Este conjunto pode ser usado para tarefas de OCR de escrita manual em inglês.

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.

71.535 Imagens - Dados de OCR de Cenários Naturais em Inglês, foram recolhidos in loco no Reino Unido e Estados Unidos. A diversidade dos dados inclui múltiplos cenários, ângulos de captura e condições de iluminação. Anotados com caixas retangulares (ou poligonais) ao nível de linha, palavra e carácter, e com transcrição do conteúdo textual, este conjunto de dados pode ser utilizado para tarefas de OCR de cenários naturais.