斯里兰卡莫拉图瓦大学 发布 Tamil synthetic OCR benchmarking dataset 数据集, 应用在 光学字符识别、低资源语言处理 领域

斯里兰卡莫拉图瓦大学 本次发布的数据集 Tamil synthetic OCR benchmarking dataset, 本研究介绍了一个新型的合成泰米尔OCR基准数据集，该数据集由2437959条记录组成，通过将泰米尔文本从OPUS数据库中的OpenSubtitles v2024版本中提取，并使用六种不同的字体将文本转换为图像。数据集旨在为低资源语言的OCR提供评估和比较的基础，以解决泰米尔等低资源语言在OCR中的挑战。

查看Tamil synthetic OCR benchmarking dataset

Dataset card 内容： 

Files and versions 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。