华南理工大学 发布 PsOCR 数据集, 应用在 光学字符识别、机器学习 领域

华南理工大学 本次发布的数据集 PsOCR, PsOCR是一个用于训练和评估大型多模态模型（LMMs）在低资源普什图语光学字符识别（OCR）任务的综合性数据集。该数据集由一百万张合成图像组成，这些图像在单词、行和文档级别上带有边界框注释，适用于基于不同架构（包括卷积神经网络（CNNs）和Transformer）的模型训练和评估。PsOCR涵盖了1000个独特的字体家族、颜色、图像大小和布局的变化。为评估多个LMMs的性能，还选择了10K图像的基准子集。实验结果表明，Gemini在所有模型中表现最佳，而在开源模型中，Qwen-7B表现突出。这项工作为Pashto OCR以及阿拉伯语、波斯语和乌尔都语等其他类似脚本的研究提供了有价值的评估。

查看PsOCR

README 内容： 

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。