概述
OCR技术存在两个步骤：文字检测和文字识别，而end-to-end完成这两个步骤的方法就是text spotter。
文字检测数据集摘要
| daaset | 语言 | 体量 | 特色 |
|---|---|---|---|
| MTWI | 中英文 | 20k | 源于网络图像，主要由合成图像，产品描述，网络广告(淘宝) |
| MSRA-TD500 | 中英文 | ||
| SynthText | 800k img + 8000k text | 合成数据 | |
| CTW1500 | 中文 | 32k | 野外场景 |
| ICDAR 2015 | |||
| ICDAR 2019-ReCTS | 中文 | 标识牌上的文字（店铺名等） | |
| ICDAR2019-ArT | 中英文 | 组合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， 生物医学文献图形中的文本提取 | ||
| ICDAR 2011 (Born-Digital Images)、ICDAR 2017 | 英文 | ||
| CurvedSynText150k | 英文 | ||
| Total-Text | 英文+少量中文 | 1.5k | 各种形状的文本,包括水平的,多取向的和弯曲的 |
| Lecture Video DB | |||
| IMGUR | handwriting | ||
| KAIST | |||
| ILST | 印度语言 | 三种印度语言（Devanagari 、 Telugu 和Malayalam）的场景文本识别数据集 | |
| VinText | |||
| BID | 巴西身份证件数据集 | ||
| RCTW | 12k+ | 手机野外拍摄，包括街景、海报、菜单、室内场景以及手机应用的截图 | |
| HierText (Google) | 英文 | 自然图像或者文献 |
OCR方法
前沿text spotter方法
方法框架
- mmocr: 集成方法并不是最新的(2022年以前的），其中预训练方法只支持英文，文字检测方法还可以检测出中文，文字识别无法识别中文，text spotter尚未介入到统一的接口中。
Github high star
- tesseract（57.7k star）：大概率是文字识别模型，C/C++，提供command line tool。
- PaddleOCR（38.1k star）: 80+ language support。提供轻量化、提供在线demo（后面有测试）,provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices。
- EasyOCR（21.8k star）: pytorch based，文字检测基于CRAFT，识别基于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 在线DEMO。
- tesseract.js (33.2k star): pure Javascript OCR for more than 100 Languages。
- UniOCR (20.6k star): 提供一个界面。
- OCRmyPDF (11.8k star): 解析pdf图片，基于tesseract。
PaddleOCR（PP-OCRv4）测试图如下
（1）弧形分布文字检测和识别都不准
(2) 放大了也识别不出来，应该和training data相关