معرفی یک مجموعه داده برای کاربردهای درک و ناحیه بندی تصاویر اسناد فارسی

وجود مجموعه داده های تصویری نقش اساسی در زمینه تشخیص نویسه خوان نوری (OCR) و بازیابی اسناد دارد. علی رغم اینکه تا به امروز مجموعه داده ‏های تصویری زیادی با اشیا متفاوت در حوزه درک و ناحیه بندی اسناد غیرفارسی منتشر شده است، رسم الخط فارسی از این پیشرفت عقب مانده است و تاکنون در زمینه درک و ناحیه بندی اسناد فارسی، مجموعه دادگانی با دسترسی عمومی ارایه نشده است. از سوی دیگر، اگرچه زبان های فارسی و عربی شباهت های زیادی‏ دارند، اما تفاوت بین ساختار این دو زبان باعث می شود که سیستم های آموزش ‏دیده OCR با مجموعه داده عربی، دقت مناسبی روی تصاویر اسناد فارسی نداشته باشند. در این مقاله، یک مجموعه داده‏ برای تصاویر اسناد فارسی معرفی می‏گردد که مشتمل بر 5598 تصویر است. تصاویر تهیه شده متعلق به روزنامه ها، کتاب های درسی، مقالات علمی، فایل‏های PDF فارسی، پایان‏نامه ‏ها، انواع لوگو ایرانی، کتب دست‏نوشته‏ قدیمی و جزوات تایپ شده و دست‏نویس ریاضی هستند. در مجموعه داده معرفی شده، اشیا درون تصاویر به 6 گروه پاراگراف (متن)، شکل، جدول، لوگو، رابطه ریاضی و سرصفحه دسته بندی و برچسب گذاری شده اند. برای ارزیابی کارایی مجموعه تصویر پیشنهادی، سه روش شناخته ‏شده مبتنی بر یادگیری عمیق پیاده سازی و نتایج بر مبنای معیارهای مختلف گزارش شده است.