Jeux de données

Ce chapitre présente brièvement les jeux de données utilisés pour entraîner et évaluer nos modèles. Ils contiennent différents types d’images de documents.

SmartDoc 2015

Le jeu SmartDoc 2015 - Challenge 1 a été créé pour le concours SmartDoc 2015 afin d’évaluer la capture de documents avec un smartphone. Le premier défi porte sur la détection et la segmentation des documents dans les images vidéo provenant du flux de prévisualisation du téléphone.

MIDV-500/2019

MIDV-500 comprend 500 séquences vidéo couvrant 50 types de documents d’identité : 17 cartes d’identité, 14 passeports, 13 permis de conduire et 6 autres documents de différents pays. Les prises de vue permettent d’étudier divers problèmes d’analyse documentaire en conditions réelles. MIDV-2019 ajoute des images déformées ou prises en faible luminosité.

MIDV-2020

MIDV-2020 comprend 10 types de documents : 1000 séquences vidéo annotées, 1000 scans et 1000 photos de 1000 documents d’identité fictifs distincts. Chaque document possède des champs textuels et un visage artificiel qui lui sont propres.

CORD v0

Ce jeu contient des milliers de reçus indonésiens avec des annotations textuelles pour l’OCR et des étiquettes sémantiques à plusieurs niveaux pour l’analyse structurée. Il peut servir à différentes tâches de reconnaissance et d’extraction d’informations.

Ensemble de données synthétiques

Compte tenu des limites des jeux disponibles, nous générons aussi des images par synthèse dynamique. Nous avons d’abord réuni des images de différents documents et certificats disponibles en ligne, puis les avons superposées à des arrière-plans issus d’un jeu de scènes intérieures. Les jeux MIDV-500, MIDV-2019 et CORD disposent par ailleurs d’annotations polygonales de référence : nous utilisons également ces images pour y intégrer d’autres documents, afin de mieux exploiter les données et d’en accroître la diversité.