UAB 发布 OCR-IDL 数据集, 应用在 光学字符识别、文档智能 领域

UAB 本次发布的数据集 OCR-IDL, OCR-IDL数据集是由计算机视觉中心UAB创建，包含2600万页的工业文档，使用商业OCR引擎进行标注，具有超过20,000美元的估算价值。该数据集涵盖了化学、医学和药物行业的多种文档类型，如信件、报告、电子邮件等，时间跨度长达100年。创建过程中，通过Amazon Textract进行文档的预处理和标注，确保了高质量的文本和布局信息。OCR-IDL旨在推动文档智能领域的研究，特别是在自动文档结构化、分类和信息提取方面，以减少人工处理的时间和成本。

查看OCR-IDL

README 内容： 

关于 UAB , UAB（University of Alabama at Birmingham）是美国阿拉巴马大学伯明翰分校，是一所位于阿拉巴马州伯明翰的公立研究型大学。

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。