biglam/loc_beyond_words

Beyond Words数据集是一个众包收集的边界框注释集合，注释对象为Library of Congress的Chronicling America收藏中第一次世界大战时期的历史报纸页面。数据集标注了七种视觉内容类型，包括照片、插图、地图、漫画、 editorial cartoons、标题和广告，用于训练Newspaper Navigator项目背后的视觉内容识别模型。该数据集可作为历史档案大规模文档布局分析的基础数据集。

The Beyond Words dataset is a crowdsourced collection of bounding box annotations on World War I-era historical newspaper pages from the Library of Congress’s Chronicling America collection. It includes annotations for seven types of visual content — photographs, illustrations, maps, comics, editorial cartoons, headlines, and advertisements — to train the visual content recognition model behind the Newspaper Navigator project. It serves as a foundational dataset for large-scale document layout analysis in historical archives.

原始信息汇总

数据集概述

数据集名称

• 名称: Beyond Words

数据集特征

• 特征:
  • image_id: 整数类型 (int64)
  • image: 图像类型
  • width: 整数类型 (int32)
  • height: 整数类型 (int32)
  • objects: 序列类型
    • bw_id: 字符串类型 (string)
    • category_id: 分类标签类型
      • 0: Photograph
      • 1: Illustration
      • 2: Map
      • 3: Comics/Cartoon
      • 4: Editorial Cartoon
      • 5: Headline
      • 6: Advertisement
    • image_id: 字符串类型 (string)
    • id: 整数类型 (int64)
    • area: 整数类型 (int64)
    • bbox: 序列类型，长度为4的浮点数类型 (float32)
    • iscrowd: 布尔类型 (bool)

数据集分割

• 分割:
  • train: 2846个样本，2854507字节
  • validation: 712个样本，731782字节

数据集大小

• 下载大小: 1200053819字节
• 数据集大小: 3586289字节

许可证

• 许可证: cc0-1.0

任务类别

• 任务类别: 对象检测

标签

• 标签:
  • lam
  • newspapers
  • document-layout

数据集名称

• 名称: Beyond Words

大小类别

• 大小类别: 1K<n<10K