Компьютерные науки > Комптурное видение и распознавание шаблона [представлено 25 октября 2026 года] Название: MUSTEL: Большой многоязычный набор данных с синтезированным текстовым изображением для резюме OCR View PDF: Системы распознавания оптических персонажей (ORC) сильно зависят от масштабов и разнообразия их учебных данных. Один из подходов к документу OCR сначала анализирует формат страниц и выдержки текстовых изображений, которые затем транскрибируются моделью распознавания. Многоязычное признание на уровне линий с участием персидского, арабского и английского языков создает дополнительные проблемы, поскольку различные направления написания, шрифты и стили могут сосуществовать в рамках одной строчки. Настоящий документ представляет собой обширный набор данных синтетического многоязычного OCR, содержащий более 14,5 млн. аннотированных текстовых изображений и состоящий из раздела подготовки кадров и предопределенных небольших и больших испытательных наборов. Образцы образуются из естественной корпоры, включая многоязычное содержание, уже содержащееся в исходных текстах. Система генерации включает в себя набор шрифтов, подлежащих контролю, изменения шрифта и стиля внутри строк, смешанные текстовое отображение, высветление и подчеркивание. Подтвержденное хранилище из 2 009 шрифтов 711 семей поддерживает широкий типографический охват, в то время как различные фоновые данные, размытые, геометрические искажения, скейв, ширину инсульта и качество изображения не отличаются друг…
MUSTEL: Большой многоязыковый набор данных с синтезированным текстовым изображением для OCR
arXiv: 261 030341448v1 Вид уведомления: новое резюме: системы оптического распознавания символов (OCR) сильно зависят от масштабов и разнообразия их учебных данных. Один из подходов к документу OCR сначала анализирует формат страниц и выдержки текстовых изображений, которые затем транскрибируются моделью распознавания. Многоязычное признание на уровне линий с участием персидского, арабского и английского языков создает дополнительные проблемы, поскольку различные направления написания, шрифты и стили могут сосуществовать в рамках одной строчки. Настоящий документ представляет собой обширный набор данных синтетического многоязычного OCR, содержащий более 14,5 млн. аннотированных текстовых изображений и состоящий из раздела подготовки кадров и предопределенных небольших и больших испытательных наборов. Образцы образуются из естественной корпоры, включая многоязычное содержание, уже содержащееся в исходных текстах. Система создания включает в себя набор шрифтов, считываемых с экрана возможностей, изменения шрифтов и стиля внутри строк, смешанные текстовое отображение, высвечивание и подчеркивание 1.