大藏经切字数据包

这是从大藏经经文图片中切分出的单个字的图片数据，每个月更新一个数据版本。现在的版本是1.4版，全部是数据来自高丽藏，数据集更新于11月29号。

百度云网盘共享链接: https://pan.baidu.com/s/1slnMDwL

格式说明

• segmentation_character.sql.zip 导出的字信息数据库表，数据库为postgresql，其中的部分字段说明如下：
  • char 对应的实际汉字
  • image 字图片文件的名称
  • page_id 字所在页面的ID
  • left, right, top, bottom 切分的字图片在经文图片中的坐标
  • is_correct 这个值由人工标注，表示字图片与字是否对应正确，值为1表示正确，值为-1表示不正确，值为0时表示没有经过人工标注。
  • is_dirty 表示数据质量不好，待改进；用于前端的逻辑区分和标记。
  • accuracy 为程序标注的字对应的准确度，为-1与1000之间的整数，-1表示为计算，1000表示最准确。这个值是以人工标注的正确和不正确的数据为样本，训练分类器预测得到的值，分类器当前使用的算法为逻辑回归。
• x00.tar x01.tar ... 字图片的打包文件，用一般的解压软件解压即可；每个字图片的路径为{page_id}/{image}
• 注：在1.4版的数据包中accuracy为千分度的整形数值，即1代表1‰

字图片统计数据

请查看文件：字图片统计数据.txt

基于大藏经切字数据包的OCR识别引擎

基于LR（逻辑回归）。

通过人工检查，给每一个汉字挑选出至少50张正确图片和至少50张错误图片作为初级样本，依据初级样本即可训练分类器。

基于深度学习

利用前面训练好的分类器，给每一个汉字挑选出更多的正确图片，辅助人工抽查，来作为高级样本，依据高级样本来训练深度学习分类器。