数据集概述
本数据集为ICPR 2020文本块分割竞赛专用数据，源自NewsEye项目，包含奥地利国家图书馆提供的19至20世纪德语历史报纸页面（部分二值化），涉及4种报纸标题。数据分为简单赛道（仅连续文本）和复杂赛道（含表格、图像等），各赛道含训练数据40页、测试数据10页，总计6个压缩文件。
文件详解
- 训练数据文件
- 文件名称：simple_pages_train.zip、complex_pages_train.zip
- 文件格式：ZIP
- 内容说明：包含扫描报纸页面图像，以及对应图像的PAGE XML格式文件（含基线坐标、行文本、文本块区域标记，同块基线有唯一ID）
- 测试数据文件（无真值）
- 文件名称：simple_pages_test.zip、complex_pages_test.zip
- 文件格式：ZIP
- 内容说明：包含扫描报纸页面图像，对应PAGE XML文件仅含基线（无块ID）、文本及整页单区域标记（需忽略）
- 测试数据文件（含真值）
- 文件名称：simple_pages_test_gt.zip、complex_pages_test_gt.zip
- 文件格式：ZIP
- 内容说明：包含扫描报纸页面图像及带真值的PAGE XML文件（含文本块区域标记、同块基线唯一ID），解压密码分别为"icpr2020!tb_simple"（简单赛道）和"icpr2020!tb_complex"（复杂赛道）
数据来源
NewsEye项目（奥地利国家图书馆提供报纸数据）
适用场景
- 文本块分割算法开发与评估: 用于训练和测试历史报纸页面中文本块分割模型的性能
- 历史文档分析研究: 支持19-20世纪德语报纸的数字化处理与内容提取研究
- 文档布局分析: 探索含复杂元素（表格、图像、广告）的历史文档布局结构识别方法
- 竞赛基准测试: 作为ICPR 2020文本块分割竞赛的标准数据集，用于算法性能比较
