本文主要讨论如何做到深入了解OCR，怎么看论文是否是水论文。OCR的识别现在发展到什么样的状态。主流方法有哪些。回答这几个问题，我们首先需要了解OCR领域的数据集，每个数据集的规模多大，如何收集，包含哪些文字，如何标注的，识别难易程度。

本文的主要思路是

• 介绍OCR领域论文中常用的数据集，以及对应的特性，指标代表一个什么含义。如何测试。
• 通过了解数据集的方式，了解OCR领域的一些问题、发展方向。
• 每个数据集要么需要注册，要么格式不统一，解析麻烦，因此这里提供一份已经做好的格式，供下载；为读论文，写论文，开发算法的同学提供便利

一 、OCR Regular Latin Datasets

1.1. IIIT5k-Words(IIIT5k)

• Scene Text Recognition using Higher Order Language Priors

• 简介，5K张裁剪好的文字图片，如上图。2K张训练集，3K张测试集。测试集中包含了街景，网络图片等。仅标注62个字符，52个字母以及10个数字。

• Every image is associated with a 50-word lexicon and a 1,000-word lexicon. Specifically, the lexicon consists of a ground-truth word and some randomly picked words.

• 我这边整理了一份可用的，GT区分大小写，供下载，GT为txt格式 密码:u461。

1.2 . Street View Text (SVT)

• 共350张图片，均为.jpg 格式，街景。249张测试图（可以切出 647 word images）。101张训练图（可以切出 257 word images）。
• 标注信息含有：每个word的矩形框标注，以及不区分大小写的识别GT。
• 提供数据形式: 切割好的图片,以及 GT，这个GT仍然是不分区大小写的。供下载，GT为txt格式 密码:cjap。

1.3 . ICDAR 2003 (IC03)

• Icdar 2013 robust reading competition. In 2013 12th International Conference on Document Analysis and Recognition
• recognition task contains 860 horizontal focused images.
• 此数据集识别任务中，包含867张图，不过现在的主流论文中，大部分采用860张的形式（剔除少于3个字符的样本）。
• GT是大小写敏感的。当下流行OCR的论文中已经去掉了词库的辅助，那个部分不是OCR的任务。
• 提供数据形式: 切割好的图片,以及 GT，GT区分大小写。供下载，GT为txt格式 密码:xchd。

1.4 . ICDAR 2013 (IC13)

• Icdar 2013 robust reading competition. In 2013 12th International Conference on Document Analysis and Recognition
• 共350张图片，均为.jpg 格式，街景。249张测试图（可以切出 647 word images）。101张训练图（可以切出 257 word images）。
• 标注信息含有：每个word的矩形框标注，以及不区分大小写的识别GT。
• 提供数据形式: 切割好的图片,以及 GT，这个GT仍然是不分区大小写的。供下载，GT为txt格式 密码:cjap。

1.5 . ICDAR 2015 (IC15)

• Icdar 2015 competition on robust reading. In Document Analysis and Recognition (ICDAR) , 2015 13th International Conference
• noisy, blurry, and rotated, and some are also of low resolution.
• It contains 4,468 images for training and 2,077 images for evaluation
• 提供数据形式: 切割好的图片,以及 GT，这个GT是区分大小写的。供下载，GT为txt格式 密码:cdej。

1.6 . Total-Text

• Total-text: A comprehensive dataset for scene text detection and recognition. In Document Analysis and Recognition (ICDAR), 2017 14th IAPR International Conference
• 共 2201 cropped images
• text instances are ranged from slightly toextremely curved.
• TOTAL-TEXT is a word-level based English curve text dataset.
• 提供数据形式: 切割好的图片,以及 GT，这个GT仍然是不分区大小写的。供下载，GT为txt格式 密码:cjap。

二 、OCR Irregular Latin Datasets

2.1. Street View Text Perspective(SVTP) 以透视文字为主

• 包含238个街景图片，与SVT图像同源。
• 共645个切好的图片，这些图片大部分带有透视
• It is built based on the original SVT dataset by selecting the images at the same address on Google Street View but with different view angles. 跟SVT拍摄的地址是同样的，不过换了视角
• Each image is associated with a 50-word lexicon and a full-word lexicon. 这里的词典与SVT的词典是一样的。
• 提供数据形式: 切割好的图片,以及 GT，这个GT仍然是不分区大小写的。供下载，GT为txt格式 密码:42oa。

2.2. Curve Text (CUTE80)以弯曲文本为主

• 一般情况下这个识别的标注很难找到，我这边整理了一份。供下载，GT为txt格式 供下载，GT为txt格式 密码:g26d。
• No lexicon is associated with CUTE80.
• 供80个图像，288个切好的文本区域，该数据集专注曲线文本识别，检测。不过识别标注统一不区分大小写，后面我会修复掉这个标注，提供一份 case sensitive 的GT。

3. 大型公有训练集

3.1 Synth90k

• We provide datasets for text recognition

注意：文章在更新中，有些地方存在问题

Ref

• 【1】https://www.ctolib.com/HCIILAB-Scene-Text-Recognition.html#11-regular-latin-datasets
• 【2】http://www.robots.ox.ac.uk/~vgg/data/text/
• 【3】https://arxiv.org/pdf/2003.08077.pdf

OCR 识别数据集、统计脚本总结供下载相关推荐

1. python 汉字识别训练数据生成_中文识别数据集生成脚本

   一.开发背景 随着近几年来计算机算力的不断提升,机器学习也迎来了爆发式的发展,图像识别作为机器学习最典型也是最主要的应用之一,目前应用前景火热. 机器学习最重要的一步就是获取数据集,没有一个坚实的数据 ...

2. 百度OCR识别表格文字，并自动下载到本地(准确率很高)

   一.输入文件及申请的Token import java.io.BufferedReader; import java.io.IOException; import java.io.InputStrea ...

3. 中文ocr识别数据集地址

   https://github.com/WenmuZhou/OCR_DataSet ctpn https://github.com/BADBADBADBOY/pytorch.ctpn/archive/m ...

4. 目标检测算法——车辆牌照识别数据集汇总 2（附下载链接）

5. 1、基于Keras、Mnist手写数字识别数据集构建全连接（FC）神经网络训练模型

   文章目录 前言 一.MNIST数据集是什么? 二.构建神经网络训练模型 1.导入库 2.载入数据 3.数据处理 4.创建模型 5.编译模型 6.训练模型 7.评估模型 三.总代码 前言 提示: 1.本 ...

6. TF之DNN：利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程

   TF之DNN:利用DNN[784→500→10]对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程 目录 输出结果 案例理解DNN过程思路 代码设计 输出结果 案 ...

7. #超全#行人重识别数据集整理，附下载链接和介绍

   数据集名称 时间 图片尺寸 (总)行人数量/图像 训练集人数/图像 query集人数/图像 gallery 集人数/图像 摄像头数量 图片说明 简介 图片命名 下载链接 文献 1.Market-150 ...

8. CASIA-SURF活体识别数据集免费免积分下载

   网上很多地方下载都要积分(说的就是xsdn).百度这里有一个免积分的下载地址.注册就能下: CASIA-SURF活体识别数据集: https://aistudio.baidu.com/aistudio ...

9. 人脸识别数据集整理以及下载

   人脸识别数据集整理 下方是整理的人脸识别数据集列表,有需要的小伙伴下载获取,仅限学习交流,不能用作他处,感谢理解. 下载链接:https://download.csdn.net/download/m0 ...

最新文章

1. 服务器修改跳转接口,vue-element登录切换到服务器api后 有返回 但是跳转路由报错...
2. java主线程控制子线程_CountDownLatch控制主线程等子线程执行完--Java多线程
3. 矩阵分析(三)：矩阵的列空间、行空间与零空间
4. QQ截图取色器：没有吸管工具的情况下，跨软件随时随地快捷取色
5. 随机数生成器与线性同余法产生随机数
6. 爬虫基础练习—python爬虫下载豆瓣妹子图片
7. C语言加法测试题,c语言50练习题.doc
8. Kali Linux破解WiFi密码完整步骤
9. 免费节假日API第一时间更新2019年节假日放假安排 可怜的五一
10. 宋体 ttf_Linux安装7种思源宋体的5个步骤
11. 对搜索引擎技术的认识和发展
12. 需求与商业模式创新-商业模式考试复习
13. EF(Entity Framework、EF Core)
14. 部署Openstack-train版
15. 如何自学UI设计？如何成为UI设计师？
16. 有哪些好用的设备巡检类的软件？
17. 实现JS标签切换效果【CSS图片切换】
18. 全面剖析亚马逊，让你开店不迷茫！
19. html消除绝对定位的影响,css怎么清除绝对定位？
20. input光标的移动和选中

热门文章

1. 单片机中存储器扩展位地址线怎么算_单片机外部扩展存储器时,分时复用做数据线和低8位地址线的是( )。 (2.0分)_学小易找答案...
2. C++用指针写哈夫曼树
3. RestTemplate HttpClient 加载 SSL/PKCS12/微信API证书
4. ROS 教育越野机器人TRANSBOT 新品发布
5. 风投们进入区块链领域的正确姿势（知识）
6. D3临摹作业_数据采集(西安交大国家艺术基金数据可视化培训第27天)
7. C#毕业设计——基于C#+asp.net+sqlserver的公司员工管理系统设计与实现（毕业论文+程序源码）——员工管理系统
8. 基于java的超市收银管理和基于SSM+mysql的Web便利店收银管理系统
9. 细菌、真菌和病毒的区别
10. 通过NAT ALG实现FTP服务器的访问【实例】