OCR 识别数据集、统计脚本总结供下载

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