mahmoudsalah01/SAQR

SAQR是一个大规模配对的印刷体-手写体阿拉伯语数据集，收集自331名12-22岁的阿拉伯语学生。每个样本将印刷体参考行图像与对应的学生手写体配对，为阿拉伯语手写文本识别（HTR）及相关视觉任务提供了丰富的监督数据。数据集包含2,263对GT-HW行对，来自331名学生（1,207名男性/1,056名女性），总字符数为111,437个阿拉伯字符，独特词汇量为4,047个词类型。数据集支持手写文本识别、性别分类和跨模态匹配等任务。数据集结构包括pair_id、gt_image、hw_image、text、category、split、student_id和form_creator等字段。数据集按作者独立划分，分为训练集（1,575）、验证集（335）和测试集（353）。

### 数据集元信息
- 标注生成者：专家生成
- 语言生成方式：公开采集
- 语言：阿拉伯语
- 许可证：CC-BY 4.0
- 多语言属性：单语言
- 样本规模：1000 < 样本数 < 10000
- 源数据集：原始数据集
- 任务类别：图像到文本、图像分类、图像特征提取
- 任务子项：无
- 美观名称："SAQR：配对式印刷-手写阿拉伯语行数据集"
- 数据集信息：
- 特征字段：
1. pair_id：64位整数，唯一样本标识符
2. gt_image：图像类型，印刷体真值图像
3. hw_image：图像类型，手写体图像
4. text：字符串类型，阿拉伯语文本转录结果
5. category：类别标签类型，类别名称为`0`: 男性，`1`: 女性
6. split：字符串类型，数据集划分（训练/验证/测试）
7. student_id：字符串类型，匿名化学生标识符
8. form_creator：字符串类型，表单模板标识符
- 划分集：
1. 训练集：1575个样本
2. 验证集：335个样本
3. 测试集：353个样本

# SAQR：面向手写识别与跨模态检索的配对式印刷-手写阿拉伯语行数据集

**论文**：《SAQR：面向手写识别与跨模态检索的配对式印刷-手写阿拉伯语行数据集》
**期刊**：Scientific Data (Nature/Springer) — 已投稿待审
**联系方式**：[e-mail]

## 数据集摘要
SAQR是一个大规模的配对式**印刷体真值-手写体（Printed Ground Truth – Handwritten，GT-HW）**阿拉伯语数据集，采集自331名年龄在12至22岁之间的阿拉伯语学生。每个样本均将**印刷体参考行图像**与对应的学生手写内容配对，可为阿拉伯语手写文本识别（Handwritten Text Recognition，HTR）及相关视觉任务提供丰富的监督信号。

| 数据集属性 | 取值 |
|----------|-------|
| **总样本对数量** | 2263个GT-HW行样本对 |
| **书写者数量** | 331名学生（年龄12-22岁） |
| **性别分布** | 男性1207人 / 女性1056人 |
| **总单词数** | 25352个 |
| **总字符数** | 111437个阿拉伯语字符 |
| **唯一词汇量** | 4047种词型 |
| **唯一字符数** | 47个 |
| **平均行长度** | 49.2个字符 / 11.2个单词 |
| **数据集划分** | 训练集1575 / 验证集335 / 测试集353（书写者独立划分） |
| **语言** | 阿拉伯语（现代标准阿拉伯语 / 正式散文） |
| **许可证** | CC-BY 4.0 |

## 数据集预览
SAQR中的GT-HW行样本对示例，展示了书写者群体的多样手写风格（上方为印刷体真值，下方为学生手写文本）：
![样本对示例]("sample_pairs.png")

## 支持任务
| 任务类型 | 任务描述 |
|------|-------------|
| **手写文本识别（HTR）** | 将`hw_image`转录为阿拉伯语文本 |
| **性别分类** | 从`hw_image`预测书写者性别 |
| **GT-HW跨模态匹配** | 在353个候选样本中匹配`gt_image`与`hw_image` |

## 数据集结构
每个样本包含以下字段：
- `pair_id`：唯一整数标识符
- `gt_image`：**印刷体**阿拉伯语文本行图像（真值图像）
- `hw_image`：**手写体**复制图像（学生手写内容）
- `text`：阿拉伯语转录字符串
- `category`：书写者性别标签（`0=男性` / `1=女性`）
- `split`：数据集划分，可选值为`train` / `val` / `test`
- `student_id`：匿名化的学生标识符
- `form_creator`：表单模板标识符

## 数据集加载
### 完整数据集加载
python
from datasets import load_dataset

ds = load_dataset("mahmoudsalah01/SAQR")
train = ds["train"]
val = ds["validation"]
test = ds["test"]

# 访问单个样本
sample = train[0]
print(sample["text"]) # 阿拉伯语文本转录结果
sample["gt_image"].show() # 显示印刷体真值行图像
sample["hw_image"].show() # 显示手写体行图像

### 手写文本识别任务加载（手写图像→文本）
python
from datasets import load_dataset
ds = load_dataset("mahmoudsalah01/SAQR", split="train")
for sample in ds:
image = sample["hw_image"] # 输入图像：手写文本图像
label = sample["text"] # 目标转录文本

### 性别分类任务加载
python
from datasets import load_dataset
ds = load_dataset("mahmoudsalah01/SAQR", split="train")
for sample in ds:
image = sample["hw_image"] # 输入图像：手写文本图像
gender = sample["category"] # 性别标签：0为男性，1为女性

## 基准实验结果
### 任务1：手写文本识别
| 方法 | 字符错误率（CER ↓） | 单词错误率（WER ↓） |
|--------|--------|--------|
| Tesseract 4.0（零样本） | 0.565 | 1.061 |
| EasyOCR（零样本） | 0.485 | 1.045 |
| TrOCR-Base（微调，本文方法） | **0.533** | **0.721** |

### 任务2：基于手写图像的性别分类
| 方法 | 准确率 | 宏F1值 |
|--------|----------|----------|
| ViT-Base（微调，本文方法） | **73.5%** | 0.71 |

### 任务3：GT-HW跨模态匹配（候选池规模=353）
| 方法 | 召回率@1（R@1） | 召回率@10（R@10） | 平均倒数排名（MRR） |
|--------|-----|------|-----|
| CLIP ViT-B/32（零样本） | 0.6% | 7.1% | 3.2% |
| DINOv2 Siamese网络 | 1.7% | 11.0% | 5.6% |
| 微调版CLIP | 5.9% | 26.3% | 12.9% |
| Siamese ViT（InfoNCE损失） | 5.4% | 36.5% | 15.0% |
| **Siamese ViT + 难样本挖掘（本文方法）** | **10.8%** | **31.7%** | **17.7%** |

## 数据采集方法
学生从印刷表单（源自报纸文章的阿拉伯语正式散文）上抄写文本行至A4纸张。表单以300 DPI分辨率扫描并分割为行，再按表单索引进行配对。转录文本从原始.docx表单模板中提取。数据集划分采用**书写者独立划分方式**：无书写者出现在多个划分集中。

## 许可证
[知识共享署名4.0国际许可协议（CC BY 4.0）]("https://creativecommons.org/licenses/by/4.0/")

## 联系方式
**马哈茂德·萨拉赫（Mahmoud Salah）** — [e-mail]
如有疑问或问题，请在Hugging Face数据集页面开启讨论（Discussion）。