什么網(wǎng)站做的最好寧德市人民政府
概述
OCR技術(shù)存在兩個(gè)步驟：文字檢測和文字識(shí)別，而end-to-end完成這兩個(gè)步驟的方法就是text spotter。
文字檢測數(shù)據(jù)集摘要
| daaset | 語言 | 體量 | 特色 |
|---|---|---|---|
| MTWI | 中英文 | 20k | 源于網(wǎng)絡(luò)圖像，主要由合成圖像，產(chǎn)品描述，網(wǎng)絡(luò)廣告(淘寶) |
| MSRA-TD500 | 中英文 | ||
| SynthText | 800k img + 8000k text | 合成數(shù)據(jù) | |
| CTW1500 | 中文 | 32k | 野外場景 |
| ICDAR 2015 | |||
| ICDAR 2019-ReCTS | 中文 | 標(biāo)識(shí)牌上的文字（店鋪名等） | |
| ICDAR2019-ArT | 中英文 | 組合Total-Text+SCUT-CTW1500+Baidu Curved Scene Text | |
| ICDAR2019-LSVT | 中英文 | 30k full annotation + 40k weakly annotation | Large-scale Street View Text with Partial Labeling, |
| ICDAR2017-DeText | Text Extraction from Biomedical Literature Figures， 生物醫(yī)學(xué)文獻(xiàn)圖形中的文本提取 | ||
| ICDAR 2011 (Born-Digital Images)、ICDAR 2017 | 英文 | ||
| CurvedSynText150k | 英文 | ||
| Total-Text | 英文+少量中文 | 1.5k | 各種形狀的文本,包括水平的,多取向的和彎曲的 |
| Lecture Video DB | |||
| IMGUR | handwriting | ||
| KAIST | |||
| ILST | 印度語言 | 三種印度語言（Devanagari 、 Telugu 和Malayalam）的場景文本識(shí)別數(shù)據(jù)集 | |
| VinText | |||
| BID | 巴西身份證件數(shù)據(jù)集 | ||
| RCTW | 12k+ | 手機(jī)野外拍攝，包括街景、海報(bào)、菜單、室內(nèi)場景以及手機(jī)應(yīng)用的截圖 | |
| HierText (Google) | 英文 | 自然圖像或者文獻(xiàn) |
OCR方法
前沿text spotter方法
- PSENet、PAN、PAN++(PAMI 2021)
- DeepSolo (CVPR2023)
方法框架
- mmocr: 集成方法并不是最新的(2022年以前的），其中預(yù)訓(xùn)練方法只支持英文，文字檢測方法還可以檢測出中文，文字識(shí)別無法識(shí)別中文，text spotter尚未介入到統(tǒng)一的接口中。
Github high star
- tesseract（57.7k star）：大概率是文字識(shí)別模型，C/C++，提供command line tool。
- PaddleOCR（38.1k star）: 80+ language support。提供輕量化、提供在線demo（后面有測試）,provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices。
- EasyOCR（21.8k star）: pytorch based，文字檢測基于CRAFT，識(shí)別基于LSTM+Transformer。Ready-to-use OCR with 80+ supported languages and all popular writing scripts including Latin, Chinese, Arabic, Devanagari, Cyrillic and etc.提供 在線DEMO。
- tesseract.js (33.2k star): pure Javascript OCR for more than 100 Languages。
- UniOCR (20.6k star): 提供一個(gè)界面。
- OCRmyPDF (11.8k star): 解析pdf圖片，基于tesseract。
PaddleOCR（PP-OCRv4）測試圖如下
（1）弧形分布文字檢測和識(shí)別都不準(zhǔn)
(2) 放大了也識(shí)別不出來，應(yīng)該和training data相關(guān)
Reference
- https://mmocr.readthedocs.io/en/dev-1.x/