biglam/europeana_newspapers_images 数据集
将报纸页图像与原始 OCR 文本、ALTO 布局框配对。
为什么重要
为历史报纸 OCR、版面理解和图文对齐研究提供可用样本。
阅读原文huggingface.co
AI 解读（根据原文生成）
这是一个 Hugging Face 数据集卡，发布 biglam/europeana_newspapers_images：面向 image-to-text 的欧洲报纸页面图像数据集。每页图像配有数字化时生成的 OCR，包括全文、ALTO XML、行与词级 bbox、词级置信度等字段；页面来自 Europeana Newspapers，并可通过 id 与 biglam/europeana_newspapers 关联。数据集当前是 proof of concept，可在 Hugging Face 链接访问，无需申请访问。
要点（AI 据原文整理，数字均已与原文核对）
- 数据集包含 98,877 newspaper page images，时间范围为 1700s–1940s。
- 每页配有数字化时生成的 OCR：full text、ALTO XML，以及行和词框的图像像素坐标。
- 词级信息包含 OCR engine's per-word confidence。
- 页面来自 eight European libraries via Europeana Newspapers。
- 该数据集是 biglam/europeana_newspapers 中 5.9 million pages 的一个样本，并通过 `id` 关联。
- 当前状态为 proof of concept，结构 may still change。
