ReceiptSense: 超越传统OCR——一个用于收据理解的数据集
计算机视觉与模式识别
2025-09-12 v2 计算与语言
摘要
多语言OCR和从收据中提取信息仍然具有挑战性，特别是对于像阿拉伯语这样的复杂文字。我们介绍\dataset，一个全面的数据集，用于阿拉伯语-英语收据理解，包含来自不同零售环境的20,000张带注释的收据、30,000张OCR注释图像、10,000个商品级注释，以及一个新的收据QA子集，包含1265张收据图像，每张图像配有40个问答对，以支持用于收据理解的LLM评估。该数据集捕获商户名称、商品描述、价格、收据编号和日期，以支持目标检测、OCR和信息提取任务。我们使用传统方法（Tesseract OCR）和先进神经网络建立了基线性能，证明了该数据集在处理复杂、嘈杂的真实世界收据布局方面的有效性。我们的公开数据集推进了自动化多语言文档处理研究（见https://github.com/Update-For-Integrated-Business-AI/CORU）。
引用
@article{arxiv.2406.04493,
title = {ReceiptSense: Beyond Traditional OCR -- A Dataset for Receipt Understanding},
author = {Abdelrahman Abdallah and Mohamed Mounis and Mahmoud Abdalla and Mahmoud SalahEldin Kasem and Mohamed Mahmoud and Ibrahim Abdelhalim and Mohamed Elkasaby and Yasser ElBendary and Adam Jatowt},
journal= {arXiv preprint arXiv:2406.04493},
year = {2025}
}