ocr中文数据集_介绍一个字符级别标注的中文数据集

最近想写一篇论文，需要点实验数据的支撑，无奈死活找不到字符级别的标注，老天不负有心人，终于找到了这篇文章百万级字符：清华大学提出中文自然文本数据集CTW，看看这张图片就知道这个数据集标注的有多么牛逼了：

下面会详细介绍下这个数据集。

---

一、下载

数据库位于CTW dataset，下载链接在CSCG dataset，这里填入相关信息（不是注册）即可进入下载界面，有两种下载途径，如下图：

亲测腾讯微云很坑爹，因为文件过大，所以需要保存到存储空间，但又由于文件过大，所以要购买VIP来扩充存储空间，不过相比于OneDrive，好处是不用翻q，所以建议土豪采用这种方式。

我是通过OneDrive下载的（需要翻q），直接用微软账号登入即可，登入后界面如下图：

不建议直接下载，很容易因为翻q的时候被打断导致全部失效。建议到各个子文件夹下，里面都是压缩包，一个个下，每个1G左右，训练图片文件夹有26个这样的压缩包，检测图片文件夹有7个，所以下起来的时候会比较烦人，得一直盯着。

---

二、数据集讲解

这个数据集附了一篇论文[1803.00085] Chinese Text in the Wild，这里就通过这篇论文来讲解这个数据集吧。

2.0 Abstract

数据集的定义是自然场景下中文：

We introduce Chinese Text in the Wild, a very large dataset of Chinese text in street view images.

关键点：1.自然场景；2.中文。如下图：

可以看到英文字母和数字是没有标识的，这点做OCR的需要注意。

数据集有超过3万张的街景图片，大约有1百万个汉字：

In this paper we provide details of a newly created dataset of Chinese text with about 1 million Chinese characters annotated by experts in over 30 thousand street view images.

2.1 Introduction

没啥要讲的。

2.2 Related work

没啥要讲的。

2.3 Chinese Text in the Wild Dataset

标注流程如图2所示：

这里提出这种标注不好的一个地方，似乎为了减轻工作量，在行标注（图2a)后标注字的过程（图2b)只用了横向的间隔，而没有纵向的缩小，比如“八”这个字明显上边框框多了。

另外还有6种属性，可以注意一下。

另外说下数据集字的分布情况，如下图：

由于多是街景图片，所以我们在路上容易见到的一些字，比如路名“路”，店名“店”等很多，所以其它自然场景下的项目要用这个数据集得慎重。

2.4 Baseline Algorithms and Performance

测试性能的，没啥想说的。

2.5 Conclusions

没啥想说的。

【已完结】