LSVTD 视频文本理解数据集

LSVTD 全称 large-scale video text dataset，包含来自 21 个自然场景的 100 个视频。该数据集涵盖了广泛的 13 个室内（如书店、商场）和 9 个室外场景，其多样性是 IC15 数据集的 3 倍以上。