Joliciel Informatique 发布 Yiddish OCR Corpus 数据集, 应用在 OCR、意第绪语 领域

Joliciel Informatique 本次发布的数据集 Yiddish OCR Corpus, Yiddish OCR Corpus是由Joliciel Informatique和Yiddish Book Center共同创建的公开数据集，旨在解决意第绪语历史文档的OCR问题。该数据集包含658页文档，涵盖186K个单词和840K个字形，数据来源于意第绪语书籍中心（Yiddish Book Center）的数字化图书馆。数据集的创建过程包括使用Jochre 2生成初始OCR层，并通过人工标注团队进行校正，最终以Alto 4 XML标准存储。该数据集广泛应用于OCR工具的开发和评估，特别是针对意第绪语这种非标准化语言的OCR技术改进。

查看Yiddish OCR Corpus

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。