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

要約

タイトル：BaDLAD: 大規模多ドメインベンガル語ドキュメントレイアウト分析データセット

要約：
– ベンガル語OCRにおける深層学習の発展にもかかわらず、大規模なドキュメントレイアウト分析(DLA)のデータセットの欠如により、歴史的文書や新聞の書き起こしなど、OCRの適用が妨げられています。
– また、現在実際に使用されているルールベースのDLAシステムは、ドメインの変化や分布外のレイアウトに対して堅牢ではありません。
– このため、私たちは、最初の多ドメインの大規模なベンガル語ドキュメントレイアウト分析データセットであるBaDLADを提案します。
– このデータセットには、6つのドメインから33,695の人手による注釈付きドキュメントサンプルが含まれており、4つの単位タイプ（テキストボックス、段落、画像、テーブル）に対して710Kのポリゴン注釈があります。
– 英語のDLAにおける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ガル語文書のデジタル化モデルのトレーニングに利用できることを示す初期実験を通じて、私たちは私たちのデータセットの有効性を実証しています。

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Layout Analysis (DLA) datasets has hindered the application of OCR in document transcription, e.g., transcribing historical documents and newspapers.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, OpenAI