BaDLAD：一个大型多领域孟加拉语文档版面分析数据集
计算机视觉与模式识别
2023-05-08 v3
摘要
尽管过去十年中基于深度学习的孟加拉语光学字符识别（OCR）取得了进展，但大型文档版面分析（DLA）数据集的缺失阻碍了 OCR 在文档转录中的应用，例如转录历史文档和报纸。此外，目前实践中使用的基于规则的 DLA 系统对领域变化和分布外版面不够鲁棒。为此，我们提出了首个多领域大型孟加拉语文档版面分析数据集：BaDLAD。该数据集包含来自六个领域的 33,695 个人工标注文档样本——i) 书籍与杂志，ii) 公共领域政府文档，iii) 解放战争文档，iv) 报纸，v) 历史报纸，以及 vi) 财产契约，包含针对四种单元类型（文本框、段落、图像和表格）的 710K 个多边形标注。通过对现有最先进的英语 DLA 深度学习架构进行基准测试的初步实验，我们证明了我们的数据集在训练基于深度学习的孟加拉语文档数字化模型方面的有效性。
引用
@article{arxiv.2303.05325,
title = {BaDLAD: A Large Multi-Domain Bengali Document Layout Analysis Dataset},
author = {Md. Istiak Hossain Shihab and Md. Rakibul Hasan and Mahfuzur Rahman Emon and Syed Mobassir Hossen and Md. Nazmuddoha Ansary and Intesur Ahmed and Fazle Rabbi Rakib and Shahriar Elahi Dhruvo and Souhardya Saha Dip and Akib Hasan Pavel and Marsia Haque Meghla and Md. Rezwanul Haque and Sayma Sultana Chowdhury and Farig Sadeque and Tahsin Reasat and Ahmed Imtiaz Humayun and Asif Shahriyar Sushmit},
journal= {arXiv preprint arXiv:2303.05325},
year = {2023}
}