Datasets para OCR

5,156 imagens de OCR de fórmulas matemáticas manuscritas Os materiais foram escritos em A4, papel quadriculado, pautado e também em quadro branco. A diversidade da coleta inclui diferentes tipos de papel, variados tipos de fórmulas matemáticas e múltiplos ângulos de captura. Os ângulos de coleta incluem visão frontal e de baixo para cima. Este conjunto é adequado para tarefas de OCR de fórmulas matemáticas manuscritas.

8,604 imagens de OCR de árabe em cenas naturais, incluindo diversos tipos de ambientes e diferentes ângulos de captação. As anotações incluem quadros retangulares e transcrição por linha de texto, além de quadros poligonais e transcrição. Este conjunto pode ser utilizado para tarefas de OCR em língua árabe.

São 57,645 imagens de texto disposto na vertical em diferentes cenários. Os cenários de coleta incluem ruas, fachadas, letreiros, outdoors, cartazes, decorações, tipografias artísticas, capas de revistas, entre outros. A distribuição de idiomas é, na sua maioria, em chinês, com uma pequena quantidade em inglês. Na anotação, foram utilizadas caixas retangulares por coluna (caixas poligonais, caixas em formato de paralelogramo) e transcrição do conteúdo por coluna; para textos não verticais, há caixas retangulares (caixas poligonais, caixas em formato de paralelogramo) e transcrição do conteúdo não vertical. Este conjunto de dados pode ser usado para várias tarefas de OCR em cenários de texto na vertical.

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.

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.

14.980 Imagens - Dados de OCR para PPT em 8 Línguas abrangem múltiplos cenários, diferentes ângulos de captura, distâncias de captura e condições de iluminação. Anotado por quadrilátero de nível de linha, e com transcrição textual de nível de linha, este conjunto de dados é aplicável em tarefas de OCR de múltiplos 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.

5,147 imagens de OCR de escrita manual em japonês. Os suportes dos textos incluem papel A4, papel pautado e papel quadriculado. As imagens foram capturadas com celulares, em ângulo de visão frontal. Os conteúdos abrangem redações em japonês, poesias, ensaios, notícias e histórias. As anotações incluem quadros retangulares por linha de texto e transcrição linha por linha. Este conjunto pode ser usado para tarefas de OCR de escrita manual em japonês.

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.