AnnoPage Dataset: Dataset of Non-Textual Elements in Documents with Fine-Grained Categorization

要約

1485年から現在まで、19世紀後半から20世紀初頭に焦点を当てた、主にチェコとドイツ語の歴史的文書から7550ページの小説コレクションであるAnnopage Datasetを紹介します。
データセットは、ドキュメントレイアウト分析とオブジェクト検出の研究をサポートするように設計されています。
各ページには、画像ドキュメント処理のチェコの方法論に従って、画像、マップ、装飾要素、またはチャートなどの25のカテゴリの非テキスト要素の要素の要素を表す軸に並べられた境界ボックス（AABB）が注釈されています。
注釈は、正確さと一貫性を確保するために、専門の図書館員によって作成されました。
また、データセットには、さまざまな、主に歴史的なドキュメントデータセットのページが組み込まれており、変動性を高め、継続性を維持しています。
データセットは開発およびテストサブセットに分割され、テストセットはカテゴリの分布を維持するために慎重に選択されます。
YoloおよびDetrオブジェクト検出器を使用してベースラインの結果を提供し、将来の研究の基準点を提供します。
Annopage Datasetは、Zenodo（https://doi.org/10.5281/zenodo.12788419）で公開されており、ヨロ形式での地上注釈が付けられています。

要約(オリジナル)

We introduce the AnnoPage Dataset, a novel collection of 7550 pages from historical documents, primarily in Czech and German, spanning from 1485 to the present, focusing on the late 19th and early 20th centuries. The dataset is designed to support research in document layout analysis and object detection. Each page is annotated with axis-aligned bounding boxes (AABB) representing elements of 25 categories of non-textual elements, such as images, maps, decorative elements, or charts, following the Czech Methodology of image document processing. The annotations were created by expert librarians to ensure accuracy and consistency. The dataset also incorporates pages from multiple, mainly historical, document datasets to enhance variability and maintain continuity. The dataset is divided into development and test subsets, with the test set carefully selected to maintain the category distribution. We provide baseline results using YOLO and DETR object detectors, offering a reference point for future research. The AnnoPage Dataset is publicly available on Zenodo (https://doi.org/10.5281/zenodo.12788419), along with ground-truth annotations in YOLO format.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google