数据集概述
本数据集包含为阿尔萨斯方言开发的两个Tesseract OCR训练模型，由法国ANR资助的RESTAURE项目生成。模型分别针对Tesseract 3.0x和4.0x版本训练，基于不同训练文本和方法构建，配套字典数据来自多类阿尔萨斯语料库与词典，可用于阿尔萨斯方言文本的光学字符识别。
文件详解
- ISKO_2015.zip
- 文件格式：ZIP
- 内容说明：适用于Tesseract 3.0x的阿尔萨斯方言OCR模型，基于7部印刷作品（约9000词）生成的图像训练，使用Arial、Times New Roman及其斜体变体（36pt字号），对应论文发表于hal-01252241。
- 2018.zip
- 文件格式：ZIP
- 内容说明：适用于Tesseract 4.0x的阿尔萨斯方言OCR模型，基于2个世纪多体裁阿尔萨斯文本提取的n-gram构建的人工训练文本，通过text2image工具生成图像（36pt字号、20行间距），包含gsw.font_properties字体列表文件。
数据来源
法国ANR资助的RESTAURE项目
适用场景
- 阿尔萨斯方言文本数字化：用于扫描版阿尔萨斯方言文献、报纸、戏剧等文本的自动识别与转写。
- 方言语言资源保护：辅助阿尔萨斯方言历史资料的数字化存档与检索。
- OCR模型性能对比研究：比较不同版本Tesseract模型在低资源方言上的识别效果。
- 多语言OCR融合应用：结合法语、德语Tesseract模型提升阿尔萨斯方言文本识别精度。
