Un conjunto de datos de referencia para la segmentación de líneas de texto en documentos de hoja de palma

Área de la Ciencia:

• Las Humanidades Digitales.
• Ciencias de la información Ciencias de la información.
• Preservación del patrimonio cultural Preservación del patrimonio cultural

Sus antecedentes:

• Los manuscritos de hojas de palma representan un medio de escritura histórico significativo en el sur y el sudeste de Asia, que contiene un vasto conocimiento en todas las disciplinas.
• Estos manuscritos invaluables son susceptibles a la degradación por el envejecimiento y los factores ambientales, lo que requiere esfuerzos urgentes de preservación.
• La digitalización es crucial para salvaguardar y difundir el conocimiento contenido en estos textos antiguos.

Objetivo del estudio:

• Para hacer frente a la falta de diversos conjuntos de datos para la digitalización de manuscritos de hojas de palma.
• Para mejorar la segmentación y el reconocimiento de líneas de texto para mejorar el rendimiento de la digitalización.
• Introducir un recurso valioso para los investigadores en el campo del análisis de documentos históricos.

Principales métodos:

• Desarrollo de LeafOCR-Line, un nuevo conjunto de datos que comprende 1710 líneas de texto de manuscritos enmascarados de hojas de palma.
• Inclusión de anotaciones de nivel de deterioro para cada manuscrito dentro del conjunto de datos.
• Llevar a cabo extensos experimentos para validar la calidad y utilidad del conjunto de datos.

Principales resultados:

• El conjunto de datos LeafOCR-Line proporciona un recurso diverso y anotado para la segmentación de líneas de texto en hojas de palma.
• Los resultados experimentales confirman la alta calidad y aplicabilidad práctica del conjunto de datos propuesto.
• El conjunto de datos facilita la investigación para una digitalización más robusta y precisa de los manuscritos históricos.

Conclusiones:

• LeafOCR-Line es una contribución significativa al campo de la digitalización de manuscritos de hojas de palma.
• El conjunto de datos servirá como un valioso recurso público para el avance de la investigación en la segmentación y el reconocimiento de líneas de texto.
• Se espera que la disponibilidad de LeafOCR-Line acelere el progreso en la preservación y el acceso al conocimiento histórico asiático.