Dataset and Benchmark for Urdu Natural Scenes Text Detection, Recognition and Visual Question Answering

开发乌尔都语场景文字检测、识别和视觉问答（VQA）技术对于推进数字内容的可访问性、信息检索和语言多样性至关重要，有助于更好地理解和处理乌尔都语言的视觉数据。该倡议旨在弥合文本和视觉理解之间的差距。我们提出了一个新的多任务乌尔都语场景文本数据集，包括1000多张自然场景图像，可用于文本检测、识别和VQA任务。我们为文本实例提供了细粒度注释，解决了先前数据集面对任意形状文本的局限性。通过加入额外的注释点，该数据集促进了能够处理多样化文本布局、复杂形状和非标准方向的方法的开发和评估，这些方法通常在实际场景中遇到。此外，VQA注释使其成为乌尔都语文本VQA方法的第一个基准，可以促进乌尔都语场景文本理解的发展。该提议的数据集可在以下网址上获取：https://github.com/Hiba-MeiRuan/Urdu-VQA-Dataset-/tree/main

论文旨在解决乌尔都语场景文本检测、识别和视觉问答（VQA）技术的问题，以促进数字内容的可访问性、信息检索和语言多样性，提高对乌尔都语视觉数据的理解和交互。

论文提出了一个新的多任务乌尔都语场景文本数据集，包括1000多个自然场景图像，可用于文本检测、识别和VQA任务。通过增加附加注释点，该数据集有助于开发和评估能够处理多样化的文本布局、复杂形状和非标准方向的方法。此外，VQA注释使其成为乌尔都语文本VQA方法的第一个基准，可以促进乌尔都语场景文本理解的发展。

论文提供了细粒度的文本实例注释，解决了先前数据集面对任意形状文本的限制。论文提出的数据集可用于文本检测、识别和VQA任务。作者提供了开源代码和数据集。

最近的相关研究包括：1.《基于深度学习的场景文本检测方法综述》；2.《基于深度学习的文本识别方法研究》；3.《场景文本检测的综述》等。