BaDLAD: A Large Multi-Domain Bengali Document Layout Analysis Dataset

要約

過去 10 年間で深層学習ベースのベンガル語光学式文字認識 (OCR) に進歩が見られましたが、大規模なドキュメント レイアウト分析 (DLA) データセットがないことが、歴史的文書や新聞の転写など、ドキュメントの転写における OCR の適用を妨げてきました。
さらに、現在実際に採用されているルールベースの DLA システムは、ドメインのバリエーションや分散外のレイアウトに対して堅牢ではありません。
この目的のために、最初のマルチドメインの大規模なベンガル語文書レイアウト分析データセットである BaDLAD を提示します。
このデータセットには、6 つのドメイン (i) 本と雑誌、ii) パブリック ドメインの政府からの 33,695 の人間が注釈を付けたドキュメント サンプルが含まれています。
ドキュメント、iii) 解放戦争のドキュメント、iv) 新聞、v) 歴史的な新聞、vi) プロパティの証書、テキスト ボックス、段落、画像、表の 4 つのユニット タイプの 710K ポリゴン アノテーション付き。
英語DLA向けの既存の最先端の深層学習アーキテクチャのパフォーマンスをベンチマークする予備実験を通じて、深層学習ベースのベンガル語文書デジタル化モデルのトレーニングにおけるデータセットの有効性を実証します。

要約(オリジナル)

While strides have been made in deep learning based Bengali Optical Character Recognition (OCR) in the past decade, the absence of large Document Layout Analysis (DLA) datasets has hindered the application of OCR in document transcription, e.g., transcribing historical documents and newspapers. Moreover, rule-based DLA systems that are currently being employed in practice are not robust to domain variations and out-of-distribution layouts. To this end, we present the first multidomain large Bengali Document Layout Analysis Dataset: BaDLAD. This dataset contains 33,695 human annotated document samples from six domains – i) books and magazines, ii) public domain govt. documents, iii) liberation war documents, iv) newspapers, v) historical newspapers, and vi) property deeds, with 710K polygon annotations for four unit types: text-box, paragraph, image, and table. Through preliminary experiments benchmarking the performance of existing state-of-the-art deep learning architectures for English DLA, we demonstrate the efficacy of our dataset in training deep learning based Bengali document digitization models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google