ICDAR 2019比赛及数据集下载-任务-ICDAR2019任意形状文本的鲁棒阅读挑战

ICDAR 2019比赛及数据集下载

https://rrc.cvc.uab.es/?ch=14&com=tasks

任务-ICDAR2019任意形状文本的鲁棒阅读挑战

我们提议的比赛包括三个主要任务：

1. 场景文字检测，
2. 场景文字识别
3. 场景文字发现。

注意

参赛者可以自由使用公开可用的数据集（例如ICDAR2015，MSRA-TD500，COCO-Text和MLT。）或合成图像作为本次比赛的额外训练数据，而不允许公开访问的私人数据不被使用。

基本事实格式

任务1和3

我们按照命名约定创建一个覆盖数据集中所有图像的JSON文件，以结构化格式存储基本事实：

gt_ [image_id]，其中image_id表示数据集中图像的索引。

在JSON文件中，每个gt_ [image_id]对应于一个列表，其中列表中的每一行对应于图像中的一个单词，并以以下格式给出其边界框坐标，转录，语言类型和难度标志：

{

“ gt_1”：[{“点”：[[x1，y1]，[x2，y2]，…，[xn，yn]]，“转录”：“ trans1”，“语言”：“拉丁语”，“难以辨认“：false}，

                …

                {“点”：[[x1，y1]，[x2，y2]，…，[xn，yn]]，“转录”：“ trans2”，“语言”：“中文”，“难以辨认”：false}] ，

“ gt_2”：[

                {“ points”：[[x1，y1]，[x2，y2]，…，[xn，yn]]，“ transcription”：“ trans3”，“ language”：“ Latin”，“难以辨认”：false}] ，

……

}

其中“点”中的x1，y1，x2，y2，...，xn，yn是多边形边界框的坐标，可以是4、8、10、12个多边形顶点。“转录”表示每个文本行的文本，“语言”表示转录的语言类型，可以是“拉丁”和“中文”。与COCOtext [3]和ICDAR2015 [2]相似，当设置为“ true”时，“模糊性”表示“无关”文本区域，这不会影响结果。

任务2

给定的输入将是带有相应文本实例的裁剪图像块，以及相对的多边形空间坐标。与任务1相似，对于数据集中的所有图像，我们按照命名约定创建一个JSON文件以结构化格式存储基本事实：

gt_ [image_id]，其中image_id表示数据集中图像的索引。

{

“ gt_1”：[{“点”：[[x1，y1]，[x2，y2]，...，[xn，yn]]，“转录”：“ trans1”，“语言”：“拉丁语”，“难以辨认“：false}]，

“ gt_3”：[{“点”：[[x1，y1]，[x2，y2]，...，[xn，yn]]，“转录”：“ trans2”，“语言”：“拉丁语”，“难以辨认“：false}]，

“ gt_3”：[{“点”：[[x1，y1]，[x2，y2]，...，[xn，yn]]，“转录”：“ trans3”，“语言”：“拉丁语”，“难以辨认“：false}]，

……

}

注意，多边形坐标