OCRデータセット

222,289枚の中国語ナチュラルシーンOCRデータは、室内と屋外のシーンをカバーしています。データの網羅性やバリエーションには、様々なシーンや撮影角度が含まれます。アノテーションに関しては、画像中の文字に対して行レベルアノテーション、単語レベルアノテーション、文字レベルアノテーション、および内容転写が行われます。本中国語ナチュラルシーンOCRデータセットは、ナチュラルシーンOCRに活用可能。

9,497枚の10種類の表OCRデータは矩形ボックスを使用してアノテーションされ、表検出と認識などのタスクに利用可能。

17,561枚の小学校数学の答案用紙収集データ背景は単色です。データは、複数の問題タイプ、複数の問題用紙タイプ（数学の練習帳、問題用紙、コンテスト問題など）、複数の学年をカバーしています。本小学校数学答案用紙の収集データはスマート判定、小学生の宿題指導などの任務に用いることができます。

4,995枚のベトナム語OCRマークアップおよび転写データには、自然シーン画像258枚、インターネット画像2,553枚、テキスト画像2,184枚が含まれている。マークアップの面では、行レベルの内容：行レベルの四角形ボックスマークアップ、行レベルの内容転写、縦列内容：縦列四角形ボックスのマークアップ、縦列内容の転写。このベトナム語OCRマークアップと転写データは、さまざまなシーンでのベトナム語認識、ベトナム語写真翻訳などのタスクに使用することができます。

104,320枚の韓国語とヒンディー語の自然シーンOCRデータは、商品パッケージ、ポスター、チケット、案内表示、メニュー、建物の標識などのシーンから収集されています。データの多様性には、多様なシーン、多様な撮影角度、多様な照明条件が含まれます。言語分布は韓国語、ヒンディー語、および英語（少量）です。アノテーションに関しては、行単位の多角形ボックス（または四角形ボックス、矩形ボックス）アノテーション、行単位の内容転写、テキスト属性（言語種類）を行い、列単位の多角形ボックス（または四角形ボックス、矩形ボックス）アノテーショ、列単位の内容転写、テキスト属性（言語種類）を行います。この韓国語とヒンディー語の自然シーンOCRデータは、韓国語とヒンディー語の自然シーンにおけるOCRタスクに活用できます。

105,941枚の12言語自然シーンOCRデータは、12種類の言語（アジア言語6種類、ヨーロッパ言語6種類）をカバーし、多様な自然シーンや撮影角度で収集されています。アノテーションについては、行単位のテキストの四角形バウンディングボックスと、行単位のテキスト文字起こしが行われています。このデータセットは、多言語OCRタスクに活用できます。

100人の日韓手書きデータは、データ入力者合計100人のうち、日本人50人、韓国人49人とアフガニスタン人1人。各人が書いたコーパスはすべて異なります。本データの網羅性やバリエーションは、様々な携帯録音設備と異なるコーパスを含みます。本日韓手書きデータセットは、日本語と韓国語の手書き文字OCR認識に活用可能。

101人4,538枚の日本語手書きOCRデータテキストキャリアはA4用紙です。このデータの内容は社会民生、娯楽、観光、スポーツイベント、映画、作曲などの分野をカバーしています。マーキングの面では、テキストに対して文字レベルの矩形枠マーキング、文字レベルのコンテンツ転写、および行レベルの矩形枠マーキング、行レベルのコンテンツ転写を行う。このセットのデータは、日本語手書きOCRタスクに使用できます。

本データの筆記環境は、A4用紙、方眼紙、横長の方眼紙、ホワイトボード、カラー付箋、解答用紙などを含みます。 書写内容は、詩、散文、店のイベント告知、祝福の言葉、ウィッシュリスト、抜粋テキスト、エッセイ、ノートなどを含みます。データの多様性は、さまざまな書写用紙、さまざまな書体、さまざまな書写内容、さまざまな収集角度を含みます。収集角度は平視と仰視です。アノテーションに関しては、行/列レベルのテキストの四角形ボックスと行/列レベルのテキスト文字おこしが行われています。このデータセットは、中国語手書きOCRタスクに使用できます。