TibPage:手写藏文文献整页识别与多朝向文字区域分析的数据集

TibPage:手写藏文文献整页识别与多朝向文字区域分析的数据集 TibPage 基于 Adarshah 数字文献平台的页面图像及配套转写整理构建,包含9个卷次的1,270张页面、12,490个非空正文行和5,080个区域标注。数据集保留完整页面画布,提供正文、藏文标题、藏文数字页码和阿拉伯数字页码四类区域的矩形框、对应转写及组合字丁序列,支持整页正文识别、区域类别—文本联合识别与多朝向文字区域分析。 数据划分 训练集889页,验证集127页,测试集254页。三个子集按卷内分层方式固定划分,复现实验时请保持页面归属不变。 文件说明 训练集分为 train1.zip、train2.zip、train3.zip 和 train4.zip,分别包含263、263、181和182张图像,包内目录对应 train1/ 至 train4/。四个包共同组成同一训练集。使用时,分别解压四个压缩包,将 train1/ 至 train4/ 四个文件夹中的全部图像合并至同一个 train/ 文件夹,保留原始文件名不变,共计889张训练图像。 valid.zip 和 test.zip 分别包含验证集与测试集图像;labels.pkl 保存全部页面的转写文本、区域标注、组合字丁序列、固定数据划分,以及原始页面标识与格式化图像文件名之间的对应关系。 图像与标签 图像为 RGB PNG,宽度1,280—1,306像素,高度863—918像素。矩形框使用发布图像的像素坐标,顺序为[left, top, right, bottom]。 labels.pkl 按 train、valid、test 组织。body_text 与 body_char_text 分别保存正文转写及其字丁序列;text 与 char_text 分别保存包含页面及区域语义标记的完整目标字符串及其显式单位序列;source_stem 保存原始页面标识。完整字表包含397个单位,正文标签包含365种非空白识别单位。字表由三个子集的单位并集预先定义,并非仅依据训练标签建立。 使用说明 计算文本识别的 CER、SER 时,请明确正文或四区域文本的计分范围,去除页面及区域语义标记,并统一字符过滤、字丁切分及错误率汇总规则;评价布局结构时,应保留所需语义标记,并明确对应的计分协议。 原始来源:https://adarshah.org/bo/ 许可证:Creative Commons Attribution 4.0 International(CC BY 4.0)。引用格式以 Zenodo 页面提供的信息为准。