Add dataset: icfhr_2016
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 2/5
- Tiempo estimado
- 1-3 horas
- Aptitud para principiantes
- 35/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Bastante claro
- Estado de actividad
- Estancado
- Área
- data
Línea de trabajo
Empieza revisando los registros de datasets existentes en el repositorio y compara sus metadatos esperados con la entrada de Zenodo en https://zenodo.org/record/5526880. La tarea estará terminada cuando el dataset ICFHR2016 esté representado con su URL, descripción, modalidad de imagen y la licencia Creative Commons Attribution 4.0 International.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
A URL for this dataset
https://zenodo.org/record/5526880
Dataset description
The ICFHR2016 Competition on the Classification of Medieval Handwritings in Latin Script (CLaMM), jointly organized by Computer Scientists and Humanists (paleographers) provided a rich database of European medieval manuscripts to the community on Handwriting Analysis and Recognition.
At this competition, we proposed two independent classification tasks which attracted five participants with seven submitted classifiers. Those classifiers are trained on a set of 2000 images with their ground truths. In the first task of script crisp classification, the classifiers have been evaluated on a test set of 1000 single-type manuscripts. In the second task of “Fuzzy Classification”, the classifiers have been carried out on a set of 2000 multi-script-type manuscripts.
Dataset modality
Image
Dataset licence
Creative Commons Attribution 4.0 International
Other licence
No response
How can you access this data
As a download from a repository/website
Confirm the dataset has an open licence
- To the best of my knowledge, this dataset is accessible via an open licence
Contact details for data custodian
No response
- Lenguaje dominante
- Sin datos de lenguaje
- Estrellas
- 91
- Forks
- 8
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de bigscience-workshop/lam
-
dataset good first issue
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
bigscience-workshop/lam#86 · 1 comentario ·
-
dataset
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
bigscience-workshop/lam#65 · 1 comentario ·
-
candidate-dataset
Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100
bigscience-workshop/lam#92 · 1 comentario ·
-
dataset
Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100
bigscience-workshop/lam#87 ·
-
Add dataset: chronicling_americaAbiertodataset
Dificultad 4/5 3-5 días Aptitud para principiantes 42/100
bigscience-workshop/lam#85 · 1 reacción ·
Todos los issues de bigscience-workshop/lam
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
HelenaLC/spatialdataR#284 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 1/5 1-3 horas Aptitud para principiantes 94/100
zerocracy/judges-action#2803 ·
Los mantenedores suelen responder en 5 días
-
Add: USM TV SDAbiertocheck:passed streams:add
Dificultad 1/5 Menos de una hora Aptitud para principiantes 75/100
Los mantenedores suelen responder en 1 día
-
Add: Kids Zone LogoAbiertocheck:failed logos:add
Dificultad 1/5 Menos de una hora Aptitud para principiantes 78/100
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 66/100