SROIE（扫描收据OCR与信息提取）是一个基准数据集，旨在评估扫描收据上的光学字符识别（OCR）和信息提取系统。该数据集于2019年作为ICDAR（国际文档分析与识别会议）竞赛的一部分推出，包含1,000张真实世界的收据图像，分为600个训练样本、100个验证样本和300个测试样本。数据集专注于提取公司名称、地址、日期和总金额等关键字段，使其成为文档理解模型的标准测试平台。
该数据集由中国科学院的研究人员及其他机构创建，旨在解决收据OCR缺乏标准化评估的问题。与合成数据集不同，SROIE使用具有多种布局、字体和打印质量的真实收据，反映了噪声、倾斜和低分辨率等现实挑战。每张收据都标注了文本级边界框和结构化键值对，支持文本定位、转录和语义解析等任务。
任务结构与评估
SROIE定义了三个主要任务：文本定位（检测单词和行）、文本识别（转录检测到的文本）和关键信息提取（将识别出的文本映射到预定义字段）。官方评估指标包括每个任务的精确率、召回率和F1分数，其中提取任务要求精确字段匹配。对于提取任务，系统必须输出类似JSON的结构，包含“company”、“address”、“date”和“total”等字段。竞赛的最终排名基于提取F1分数，该分数综合了所有字段的准确性。
技术特征
SROIE中的收据表现出多种格式，包括热敏打印、点阵打印和手写注释。图像通常在不同光照条件下拍摄，增加了OCR算法的复杂性。数据集的注释以自定义XML格式提供，每个单词通过其位置和文本进行标记，每个关键字段链接到相应的单词或短语。这种结构支持端到端模型以及分离检测、识别和提取的模块化流水线。
对文档AI的影响
SROIE已成为文档理解领域广泛引用的基准，以及OCR。它已被用于评估基于卷积神经网络和循环神经网络的模型，以及更近期的基于Transformer的架构。该数据集还推动了收据图像数据增强技术的研究，例如合成噪声添加和几何变换。许多具有视觉能力的大型语言模型已在SROIE上进行了测试，以评估其从真实世界文档中执行结构化提取的能力。
局限性与扩展
尽管SROIE具有实用性，但它存在局限性。数据集相对较小，仅有1,000张图像，可能导致模型训练中的过拟合。字段集仅限于四个关键字段，忽略了其他常见收据元素，如税费或逐项明细。此外，收据主要来自中国商户，可能引入语言和区域偏差。研究人员提出了扩展方案，例如添加更多样化的收据或创建合成变体，但原始SROIE仍然是公平比较的标准。
相关基准
SROIE是更广泛的文档理解数据集家族的一部分，包括用于表单理解的FUNSD和用于收据提取的CORD。虽然CORD提供更详细的字段注释（例如项目名称、价格、小计），但SROIE的简单性和清晰的评估协议使其成为新模型的首选起点。该数据集也被纳入更大的多任务基准，如DocVQA和场景文本识别挑战，支持跨域评估。
未来方向
截至2025年，SROIE继续用于学术研究和行业应用，特别是在自动化费用管理和会计工作流程方面。随着生成式AI和多模态模型的兴起，研究人员正在探索如何利用预训练的视觉-语言模型，在无需任务特定训练的情况下提高SROIE上的提取准确性。然而，数据集的固定大小和有限的字段多样性意味着新基准正在出现，以应对更复杂的文档类型，而SROIE仍然是OCR和信息提取进展的历史参考点。