Gallica : OLR corrigé de documents de presse

Présentation

Ce jeu de données contient des pages corrigées ("vérité terrain") de documents numérisés de collections de presse traités avec une reconnaissance des articles (OLR, optical layout recognition).

Contenu du jeu de données

Ce jeu contient la transcription réalisée par OCR et OLR de documents numérisés de plusieurs titres des collections de presse la BnF (Le Gaulois, Le Matin). Cette transcription a été corrigée manuellement.

Il contient 183 pages transcrites (format PAGE XML et JPG).

Contexte de production

Ce jeu a été produit par le projet de recherche européen NewsEye.