Pyllica, extracteur Python de corpus de périodiques de Gallica

Pyllica est un outil écrit en Python permettant de récupérer des documents hébergés sur la bibliothèque numérique Gallica.

PDF JPEG / JPG Texte Python Presse
Projet Europeana Newspapers

Lancé en février 2012, le projet européen Europeana Newspapers avait comme objectif de garantir une visibilité augmentée et un meilleur accès aux collections numérisées de la presse européenne.

XML Texte OCR OLR GT Presse
Projet NewsEye

NewsEye, financé par le programme de recherche et d'innovation Horizon 2020 de l'Union européenne, est un projet de recherche qui fait progresser l'état de l'art et introduit de nouveaux concepts, méthodes et outils pour les humanités numériques en fournissant un accès amélioré aux journaux historiques.

Texte OCR OLR GT NLP Presse Intelligence artificielle (IA)
Gallica : texte corrigé et OCR de documents

Ce jeu de données contient les textes océrisés et corrigés de documents des collections monographiques et périodiques de Gallica.  

Texte OCR GT Textes Documents
Texte de presse annoté en entités nommées

Ces jeu de données sont constitués de textes extraits de documents des collections de presse traitées durant les projets européens Europeana Newspapers et NewsEye et dont les d’entités nommées ont

Texte NLP GT Textes Presse Europeana Newspapers Documents
HBA : un jeu d'images annotées pour l'analyse de la structure de mise en page d'ouvrages anciens

HBA est un jeu de données dédié à l'analyse de la structure de mise en page d'ouvrages anciens. Il constitue une vérité terrain d'images annotées au niveau pixel.

Texte JPEG / JPG OLR GT Segmentation Documents