古活字プロジェクトは、情報学的な手法を用いて「嵯峨本」などの古活字の謎に迫るプロジェクトです。古活字については古活字とくずし字をご覧ください。

データセットのリスト

古活字データセットは、古典籍ごとに分けて配布します。現在は1点の古典籍の古活字データセット（36,869ブロック）を公開しています。

データセットの内容は以下の通りです。

ライセンス

古活字データセットを利用する場合は、以下のライセンスを適用します。

『古活字データセット』（カラーヌワット・タリン 作成）はクリエイティブ・コモンズ 表示 4.0 国際 ライセンス（CC BY）の下に提供されています。

例えば以下のような表示をお願いします。

『古活字データセット』（カラーヌワット・タリン作成） doi:10.20676/00000416

また古活字データセットの元となった古典籍の所蔵者についても、可能な範囲で明記をお願いします。例えば、上記の『徒然草 2巻』のデータセットの場合は、以下のように記述することができます。

『古活字データセット』（カラーヌワット・タリン作成／国立国会図書館所蔵） doi:10.20676/00000416

ただし、今後はさまざまな機関が所蔵する古典籍から古活字データセットを作成する予定のため、すべてを出典に明記することは難しくなる可能性もあります。その際は、所蔵者一覧をウェブサイト上に明記することとします。現在の所蔵者一覧は以下の通りです。

1. 国立国会図書館

可能な場合は、データ提供元であるROIS-DS人文学オープンデータ共同利用センターへのリンクをお願いします。

提供：ROIS-DS人文学オープンデータ共同利用センター

古活字自動分割アルゴリズムの概略

1. AIページ認識モデルにより、見開き画像をページ（半丁）画像に分割する。
2. AIくずし字認識モデルRURIにより、ページ画像からくずし字の文字範囲を示す四角形（以下、矩形）を認識する。
3. 文字矩形の座標情報から摺板の枠と画像の傾きを推定する。
4. 画像の傾きを補正するために回転させた正立画像に対し、改めてRURIを適用して文字矩形を推定し直す。
5. AI行認識モデルにより、行の矩形を推定し、行の中心線の間隔から行幅を計算する。
6. 行と文字の矩形から、ページ内の行数と行内の文字数を統計的に推定し、その妥当性を人間が確認する。
7. 行数と文字数の推定値に基づき、摺板枠内の縦横の単位長さを推定し、画像上に等間隔の格子グリッドを引く。
8. 文字矩形と格子グリッドが交差する場合は、文字が単一の活字ブロック内で連続していると判定する。
9. ページ画像を2値化して文字画素を取り出す。そして文字画素と格子グリッドが交差する場合は、連綿文字が単一の活字ブロック内に含まれると判定する。
10. 連続しない文字を分割したうえで、連彫活字を含めた活字ブロックを確定する。
11. 活字ブロックごとの文字（Unicode）・矩形座標（x1, y1, x2, y2）を集めて古活字データセットを出力する。

データセット作成の詳しい情報につきましては、参考文献をご覧ください。