five

SEACrowd/burapha_th

收藏
Hugging Face2024-06-24 更新2024-06-29 收录
下载链接:
https://hf-mirror.com/datasets/SEACrowd/burapha_th
下载链接
链接失效反馈
官方服务:
资源简介:
Burapha Th数据集包含68个字符类、10个数字类和320个音节类。数据集的构建过程涉及1072名泰国母语者在收集表上书写,然后使用300 dpi扫描仪进行数字化处理。原始扫描图像经过去斜、检测框和分割算法处理以提取图像。与其他已知的泰语手写数据集不同,该数据集保留了扫描过程中产生的噪声、白色背景和所有伪影。数据集支持的任务是图像字幕生成(Image Captioning)。

Burapha Th数据集包含68个字符类、10个数字类和320个音节类。数据集的构建过程涉及1072名泰国母语者在收集表上书写,然后使用300 dpi扫描仪进行数字化处理。原始扫描图像经过去斜、检测框和分割算法处理以提取图像。与其他已知的泰语手写数据集不同,该数据集保留了扫描过程中产生的噪声、白色背景和所有伪影。数据集支持的任务是图像字幕生成(Image Captioning)。
提供机构:
SEACrowd
原始信息汇总

Burapha Th 数据集概述

基本信息

  • 语言: 泰语 (tha)
  • 任务类别: 图像描述 (image-captioning)
  • 标签: 图像描述 (image-captioning)

数据集结构

  • 字符类别: 68 类
  • 数字类别: 10 类
  • 音节类别: 320 类

数据集构建

  • 参与者: 1072 名泰国母语者
  • 数据采集: 使用 300 dpi 扫描仪数字化收集的数据表
  • 图像处理: 应用去倾斜、检测框和分割算法进行图像提取
  • 特点: 保留原始扫描中的噪声、白色背景和所有扫描产生的伪影

使用方法

使用 datasets

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/burapha_th", trust_remote_code=True)

使用 seacrowd

python import seacrowd as sc

加载数据集(默认配置)

dset = sc.load_dataset("burapha_th", schema="seacrowd")

查看所有可用子集(配置名称)

print(sc.available_config_names("burapha_th"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

数据集版本

  • 源版本: 1.0.0
  • SEACrowd 版本: 2024.06.20

数据集许可证

  • 许可证: 未知 (unknown)

引用

plaintext @Article{app12084083, AUTHOR = {Onuean, Athita and Buatoom, Uraiwan and Charoenporn, Thatsanee and Kim, Taehong and Jung, Hanmin}, TITLE = {Burapha-TH: A Multi-Purpose Character, Digit, and Syllable Handwriting Dataset}, JOURNAL = {Applied Sciences}, VOLUME = {12}, YEAR = {2022}, NUMBER = {8}, ARTICLE-NUMBER = {4083}, URL = {https://www.mdpi.com/2076-3417/12/8/4083}, ISSN = {2076-3417}, DOI = {10.3390/app12084083} }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作