CC-OCR データセットは、テキスト認識 (OCR) タスクにおける大規模なマルチモーダル モデルのパフォーマンスを評価するための包括的かつ挑戦的なベンチマークを提供することを目的として、2024 年にアリババ グループ、華中科技大学、華南理工大学によって共同で開発されました。CC-OCR: 読み書き能力における大規模なマルチモーダルモデルを評価するための包括的かつ挑戦的な OCR ベンチマーク”。 このデータセットは、マルチシーンテキスト読み取り、多言語テキスト読み取り、ドキュメント解析、キー情報抽出という 4 つのコアタスクをカバーしており、39 のサブセットと 7,058 枚の完全に注釈が付けられた画像が含まれています。 CC-OCR の導入は、複雑な構造やきめ細かい視覚的課題における現在のマルチモーダル モデルの評価のギャップを埋め、実際のアプリケーションにおけるマルチモーダル モデルの進歩を促進する上で大きな意義を持ちます。

引用

@misc{yang2024ccocr,
title={CC-OCR: A Comprehensive and Challenging OCR Benchmark for Evaluating Large Multimodal Models in Literacy},
author={Zhibo Yang and Jun Tang and Zhaohai Li and Pengfei Wang and Jianqiang Wan and Humen Zhong and Xuejing Liu and Mingkun Yang and Peng Wang and Shuai Bai and LianWen Jin and Junyang Lin},
year={2024},
eprint={2412.02210},
archivePrefix={arXiv},
primaryClass={cs.CV},
url={https://arxiv.org/abs/2412.02210},
}