[CV] OCR의 data format

OCR 데이터셋 구성

• bounding box, BBOX (검출할 영역의 좌표)
  • 직사각형인 경우 $ (x,y,width,height) $, $ (x_1, y_1, x_3, y_3) $
  • 일반 사각형인 경우 4개의 좌표를 다 표기
  • 다각형인 경우 모든 점의 좌표를 다 표기
• text (영역 내의 존재하는 글자들의 시퀀스)
• don't care (검출해도 되고 안 해도 되는 영역; 학습 시 사용 X)
• file name (이미지 파일의 이름)
• image width (이미지 가로 길이)
• image height (이미지 세로 길이)

ICDAR (International Conference on Document Analysis and Recognition)

1. ICDAR 2015
   

   

   • Incidental Scene Text: 풍경 이미지 속에 우연히 글자가 잡힌 경우
   • 총 1500장의 이미지와 그에 해당하는 ground truth(GT) text file
     • train 1000, test 500
   • care, don't care로 구분하여 전사
     • care: 검출할 영역. (라틴문자)
     • don't care: 검출하지 않을 영역. 육안상 알아보기 힘든 글자, 라틴문자가 아닌 글자 (한자 등..)
       
       
       
2. ICDAR 2017 (Multi-Lingual Scene Text)
   • multilingual
     • 9가지 언어: Chinese, Japanese, Korean, English, French, Arabic, Italian, German and Indian
     • 6가지 문자: "Arabic", "Latin", "Chinese", "Japanese", "Korean", "Bangla" + "symbols", "mixed"
   • 총 18000장
     • Train 9000 (각 언어별 1000장), test 9000
   • Focused (Intentional) Scene Text
     • 우연히 찍힌 글자가 아닌, 글자 영역을 위주로 촬영된 이미지
     • 길거리 표지판, 광고판, 가게 간판, 지나가는 자동차 및 웹 microblog에 올라간 유저 사진 등
   • gt 파일 형식은 ICDAR 2015와 매우 유사
     
     
     
3. ICDAR 2019 (Arbitrary shaped Text)
   • 총 10066장
     • 기존에 존재하던 Total-Text, SCUT-CTW1500, Baidu Curved Scene Text에 추가로 데이터를 수집 (3055+7011장)
     • train 5603, test 4563
     • horizontal, multi-oriented, curved 등 다양한 형태 포함

한국어 OCR 데이터셋 (공개 데이터셋)

AI Hub에서 찾을 수 있음.

• 야외 실제 촬영 한글 이미지 (in AI hub)

  • 일상에서 접할 수 있는 다양한 한글 이미지를 촬영한 text-in-the-wild 이미지 데이터

  • (간판, 메뉴판, 책표지, 상품명 등을 촬영한 Focused Scene Text)

  • 총 약 50만건

    • 1600*1200 해상도의 한글 이미지
    • 그 이미지와 1:1 쌍을 이루는 JSON 파일

  • 특징
    

    

    • 이미지에 단어가 여러 개 있는 경우 글자 영역은 전체를 라벨링하되 transcription은 가장 잘 보이는 한글 위주로 최대 3개까지만 라벨링 작업을 실시함
    • 직사각형 영역으로 Bounding Box 그려진 형태
    • 단어 기준 10자 이하만 transcription 라벨링
    • 인식 대상을 제외한 한글의 경우 BBOX를 그린 후 don't care 처리 (xxx 표기) 함

염두해야할 것은 GT 파일 포맷이 다 다르기 때문에 이런 부분은 꼭 체크해둘 것.