IIIT-Synthetic-M-Telugu

Language

Telugu

Modality

Printed

Details Description

The IIIT-Synthetic-M-Telugu dataset consists of synthetically created 1,38,585 word images along with their corresponding annotations. To create synthetic images, freely available Unicode fonts are used to render synthetic word images. The number of unique fonts used for Telugu is 62. We use ImageMagick, Pango, and Cairo tools to render text onto images. To mimic the typical document images, we generate images whose background is always lighter (higher intensity) than the foreground. Each word is rendered as an image using a random font. Font size, font styling such as bold and italic, foreground and background intensities, kerning, and skew are varied for each image to generate a diverse set of samples. A random one-fourth of the images are smoothed using a Gaussian filter with a standard deviation (𝜎) of 0.5. Finally, all the images are resized to a height of 32 while keeping the original aspect ratio. This dataset can be used only for pre-training purposes. There are 61,142 unique Telugu words in the training set.

Training Set:

train.zip contains folder named “images” with 1,38,585 word level images, “train_gt.txt” containing image name and ground truth text separated by “Tab space” and “list_of_unique_words.txt” contains list of 61,142 unique words in the Training set.

Downloads

To download Train, Test or Val data, please Login

Login Sign Up

Sample Word Level Images from Training Set

Image Ground Truth
మని,
విహారరతి
బెంపొందెఁ
వెర్రిసాహసాలెందుకు
గురు
కె.ఆర్.కె.
'దొంగాటకం'
గాయకుడు
ఆఫీసుకు
"డిగ్రీలో
సంగతి
ఇండియా'
బుంగ
తిరు
"ప్రస్తుతానికి
దుఃఖతరంగం
తెలీదులే
గొంతులో
అందరూ
కేసు
ఇద్దరం
ఉంటాడు.
కష్ట
యిన్నిటగాన
వద్దు....
పంక్తికంధర
కొద్దీ
ఆశ్చర్యపడ్డాడు!
వలె
గర్వకారణం
హాయిగా
పుట్టికల్.
పరిపాక
నాకు
గట్టు,
రాసాగేరు.
మేము
బరమోపకారికిన్
అందుకని
ఆడ
అవడం
వర్కుషాపు
లక్షణము
షాక్
నాన్నా.
ఆమె
ఉదయగిరినేలు
సంగతి
కాని
దానికే
నెమ్మదిగా.
అటు
టోప
వా
ఏం
అదేమిటో
చతురుఁడు
లక్ష్మీతోడి
ఇలా
చెప్తోంది.
ట్లాచరింప,
చస్తున్నాను.
సూర్యోదయం
మోహన్...వైకుంఠపాళి
రాజుని
ఎందుకంటే
చెప్పింది.
చేత్తో
చూపించడానికి
చొచ్చునతఁడు:
లేదురా!"
మీకు
బ్రమదం
జిహ్వాస్థలుండు-
శకుంతలను
గంతులు
ఎక్కడ
నాకే
రూపాయలు
అంత
రింగుమన్నాయి.
చలం
పెట్టించండీ
.....
సతత
సాగరసింహ్
చెడ్డనుంచి
చేతులు
అన్న
అంగలలో
నమరతతిలోన
-
లక్ష్మి
కొనుకున్న్
అయిదు
మొద్దులో..!
యీ
కాకపోయినా
వెళ్తున్న

Citation

@article{mathew2022empirical, 
  title={An empirical study of CTC based models for OCR of Indian languages}, 
  author={Mathew, Minesh and Jawahar, CV}, 
  journal={arXiv preprint arXiv:2205.06740}, 
  year={2022} 
} 

Feedback form