OCRデータセット

本データセットは、21言語に対応した合計約50万枚のOCR用画像データを収録しています。各言語ごとに約2万〜2.5万枚の画像を含み、自然シーン画像、文書撮影画像、電子画面画像（スクリーン表示）など多様なデータタイプで構成されています。撮影角度、背景、レイアウト、文字種の違いなど、実環境に近い多様性を備えています。アノテーションは行（列）単位での四辺形または多角形による領域ラベリングと内容転写（トランスクリプション）を実施しており、テキスト検出・文字認識・多言語OCRモデルの学習および評価に適しています。

本データセットは、日本語の請求書画像1,000枚を収録した高品質なOCR学習用データです。基礎編集データ500枚と専門編集データ500枚から構成され、請求書の内容、編集方式、フォーマットにおいて十分な多様性を確保し、実際の業務で使用される帳票に近い構成となっています。画像内に含まれる会社名、住所、氏名、電話番号、FAX番号などの個人・企業情報はすべて仮想データに置換された匿名加工済み情報であり、プライバシーに配慮しています。本データは、日本語請求書の検出、OCRによる文字認識、帳票構造解析、キー情報抽出、エンドツーエンド型Document AIシステムの開発など、幅広いAI研究開発用途に活用可能です。

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。