handwritten_cross-outs

该数据集包含由12位不同作者手写的单词图像，包括清洁（未划掉）样本和划掉单词的样本，适用于多种手写相关研究任务。数据集引入了7种不同的划掉类型，以及一个混合子集，结合了清洁样本和随机选取的不同划掉类别样本。每个单词图像都标注有划掉标签（如“清洁”、“单线”、“双线”等）、书写工具（如“圆珠笔”、“数字黑色”等）和转录文本。数据集结构包含图像、标签、书写工具和文本四个字段，分为训练集、验证集和测试集，分别包含22062、4676和4682个样本。适用于二元分类、多类分类、书写工具分类和手写文本识别等任务。

原始信息汇总

数据集概述

该数据集名为 HTR with Cross-out Words Dataset，专注于手写单词图像及其划掉变体，适用于多种手写相关研究任务。

基本信息

• 语言：英语
• 许可证：CC-BY-4.0
• 任务类别：图像分类、图像到文本
• 数据规模：约 31,420 个样本（10K < n < 100K）
• 作者数量：12 位不同作者
• 来源：数据集详情页地址为 https://huggingface.co/datasets/wahlinski/handwritten_cross-outs

数据集结构

数据集包含以下字段：

• image：手写单词图像（dtype: image）
• label：划掉标签，包括 "clean"、7 种划掉类型（single-line, double-line, diagonal, cross, wave, zig-zag, scratch）及 "mix"
• writing_tool：书写工具，包括 "ballpoint", "digital_black", "digital_gray", "marker", "pencil"
• text：真实转录文本

数据划分

划分	样本数	字节数
train	22,062	618,746,878
validation	4,676	131,190,377
test	4,682	130,114,295

• 总下载大小：879,835,273 字节
• 总数据集大小：880,051,550 字节

划掉类别

• 7 种划掉类型：single-line, double-line, diagonal, cross, wave, zig-zag, scratch
• Clean：未被划掉的样本
• Mixed：clean 与随机划掉样本的组合

任务与应用场景

1. 二分类：区分 clean 与 crossed-out
2. 多类分类：识别 7 种划掉类型
3. 书写工具分类：预测书写工具
4. 手写文本识别（HTR）：利用转录训练模型

研究背景

该数据集在论文 "A Study of Handwritten Text Recognition with Cross-out Words" 中被介绍，适用于学术研究与基准测试。

注意事项

• 数据集包含不同作者和书写工具的变异性
• 划掉变体为文档分析系统带来真实挑战

联系方式

• 作者：Filip Wåhlin

搜集汇总

数据集介绍

构建方式

该数据集由12位不同书写者手写的单词图像构成，涵盖了未涂改的干净样本与带有涂改痕迹的单词。数据集引入了7种明确的涂改类型（包括单线、双线、对角线、交叉、波浪线、锯齿线和划痕），并在此基础上构建了一个混合子集，将干净样本与随机选取的各种涂改类别样本组合在一起。每位书写者使用多种书写工具（圆珠笔、数字黑笔、数字灰笔、马克笔和铅笔）进行创作，以确保数据的多样性和真实性。

特点

数据集的一个显著特点是其多维度标注设计，每张图像均详细标注了涂改标签（包括8个类别：干净、单线、双线、对角线、交叉、波浪线、锯齿线、划痕和混合）、书写工具类别以及转录文本。这种结构不仅支持二分类（干净与涂改）和多分类（7种涂改类型）任务，还便于进行书写工具识别和手写文字识别等更复杂的多任务学习场景。数据的多样性真实反映了文档分析中常见的现实挑战。

使用方法

使用Hugging Face的`datasets`库可以便捷地加载该数据集，用户仅需调用`load_dataset("wahlinski/handwritten_cross-outs")`即可获取训练集、验证集和测试集。数据以Parquet格式存储，每个样本包含图像、标签、书写工具和转录文本四个字段。研究者可根据任务需求灵活选择子集，例如使用干净和混合样本进行二分类，或利用全部涂改类别进行多分类识别，同时结合转录文本开展手写文字识别研究。

背景与挑战

背景概述

手写文本识别（HTR）领域长期致力于将手写文档转换为机器可读文本，然而现实文档中频繁出现的涂改痕迹（如划掉、删除线等）对识别系统构成了严峻挑战。为系统研究这一问题，Filip Wåhlin等研究人员于近期构建了handwritten_cross-outs数据集，该数据集由12位书写者使用5种书写工具（圆珠笔、数字笔等）生成，包含约3.1万张手写单词图像，并标注了7种涂改类型及逐字转录文本。该数据集填补了涂改场景下HTR基准数据的空白，为评估模型在噪声干扰下的鲁棒性提供了标准化测试平台，推动了文档分析与识别领域的实用化进程。

当前挑战

该数据集旨在解决以下挑战：1）领域问题——真实文档中涂改单词的自动识别，传统HTR模型在划痕、波浪线等涂改模式下识别率显著下降，数据集通过多样化涂改类型与书写工具组合，促使模型学习对干扰模式的鲁棒表征；2）构建过程——需协调12位书写者以自然书写状态产生涵盖7种涂改类型的样本，同时确保转录文本的精确标注（如划痕涂改的文本覆盖），并平衡各类别样本分布以避免长尾效应；此外，不同书写工具的墨迹密度差异为图像标准化处理带来了额外技术难题。

常用场景

经典使用场景

手写删改文字数据集（handwritten_cross-outs）为手写文档分析领域提供了兼具学术价值与现实意义的数据资源。该数据集由12位作者手写生成，包含整洁样本与7种删改类型的图像，覆盖单线、双线、对角线、交叉、波浪、锯齿和涂抹等丰富删改模式，并额外引入混合子集。其经典使用场景聚焦于手写文本识别（HTR）中的干扰建模，研究者可借助该类数据训练模型在复杂删改背景下精准识别原始文字，同时支持二分类（整洁vs删改）与多分类任务，成为评估文档图像预处理与抗干扰算法的标准基准。

实际应用

在实际应用层面，该数据集支撑着金融票据处理、法律文档数字化、历史手稿修复等关键领域的智能化升级。银行支票上的手写修改、合同条款的删改痕迹、法院档案中的涂改内容，均可在基于该数据集训练的模型下实现高效解析。写作工具标注使得系统能适应圆珠笔、铅笔到数字笔等不同介质的书写特性，极大提升了手写识别系统在办公自动化、文档归档和合规审查等工业场景中的实用性与鲁棒性。

衍生相关工作

围绕handwritten_cross-outs数据集，研究界已衍生出多项开创性工作。其核心论文《手写文本识别中的删改词研究》首次系统构建了删改文字的识别框架，激励后续学者探索基于生成对抗网络的删改区域修复技术、融合稀疏注意力的抗干扰编码器，以及多任务学习范式下同时预测删改类型与原始文本的统一模型。这些衍生工作进一步拓展了该数据集在恶意篡改检测、书法风格迁移等交叉领域的研究边界，形成了活跃的学术社区生态。