DocBank文档布局分析文本数据集 50万细粒度词条级标注 2020arXiv开源学术资源

‌

内容覆盖范围

本资源为官方发布的标准DocBank文本数据集，核心内容包含50万个细粒度、词条级别的标注文档页面，是专门面向文档布局分析任务搭建的权威基准数据集。数据集依托arXiv平台公开的LaTeX文档，通过高效弱监督方式完成构建，标注精度满足学术研究与工业落地的双重要求。
同时随资源配套提供官方完整标准引用格式：
@misc{li2020docbank, title={DocBank: A Benchmark Dataset for Document Layout Analysis}, author={Minghao Li and Yiheng Xu and Lei Cui and Shaohan Huang and Furu Wei and Zhoujun Li and Ming Zhou}, year={2020}, eprint={2006.01038}, archivePrefix={arXiv}, primaryClass={cs.CL} }

可用使用途径

文档布局分析方向的学术课题研究、高校毕设项目实验

智能OCR识别、文档结构化解析产品的模型训练与效果测试

多模态文档理解、智能数字档案归档系统的算法迭代数据集支撑

相关计算机视觉、自然语言处理交叉领域赛事的基准测试数据集使用