IIIT-Synthetic-M-Malayalam

Language

Malayalam

Modality

Printed

Details Description

The IIIT-Synthetic-M-Malayalam dataset consists of synthetically created 1,62,833 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 Malayalam is 19. 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 (๐œŽ) 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 74,273 unique Malayalam words in the training set.

Training Set:

train.zip contains folder named โ€œimagesโ€ with 1,62,833 word level images, โ€œtrain_gt.txtโ€ containing image name and ground truth text separated by โ€œTab spaceโ€ and โ€œlist_of_unique_words.txtโ€ contains list of 74,273 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
เด…เดŸเดšเตเดšเตเด•เต†เดŸเตเดŸเดฟ
เดฎเตเดนเดฎเตเดฎเดฆเต€เดฏ
เดšเดฟเดฒ
เดชเต‹เด•เตเดจเตเดจ
เดฎเดนเดพเดชเดพเดชเดฟ
เด’เดฐเต
เดคเดฑเดตเดพเดŸเต
เดŽเดจเตเดฑเต†
เดคเตเดฑเดจเตเดจเต
เดชเดฑเดžเตเดžเต:
เด•เตเด•เต†
เดชเดฑเดฏเดพเดคเต†
เด‡เดณเด•เตเด•เด™เตเด™เดณเตเดฎเดพเดฏเดฟ.
เดถเดฐเต€เดฐเดคเตเดคเต†
เด†เดตเดฐเตโ€เดคเตเดคเดฟเดšเตเดšเดพเดตเดฐเตโ€เดคเตเดคเดฟเดšเตเดšเต
เดคเดฟเดฒเตโ€เดชเตเดชเดฟเดจเตเดจเต†
เดฆเด•เดฐเดฎเดพเดฏเดฟ
เดคเดพเดฎเดธเดฟเด•เตเด•เดฃเดฎเต†เดจเตเดจเต
เดคเดฎเตเดฎเดฟเดฒเตเดณเตเดณ
เดจเต‡เดฐเด‚
เดฒเดฟเดฒเต‡เด•เตเด•เต
เด‡เดชเตเดชเต‹เดณเตโ€
เดคเต€เดชเตเดชเตŠเดฐเดฟ
เดŽเดจเตเดจเดพเดฒเตโ€
เด•เตเดฎเดพเดฐเดจเตโ€เดคเดจเตเดชเดฟ,
เดŽเดณเตเดชเตเดชเดฎเตเดฃเตเดŸเต.
เดชเตเดฐเดถเดธเตเดคเดฟเด•เตเด•เต
เดชเตเดฐเดงเดพเดจเด‚
โ€œBut
เด†เดฏเตเดงเดงเดพเดฐเดฟเด•เดณเดพเดฏ
เดจเดฒเตโ€เด•เดพเดจเตโ€
เดคเดชเดธเตเดธเตเดšเต†เดฏเตเดคเต
เด†เด–เตเดฏเดพเดจเดคเตเดคเดฟเดฒเต‡เด•เตเด•เต
เด‡เดจเตเดจเดฒเต†
เดถเด•เตเดฏเดฎเดพเดฏเตเดณเตเดณ
เด’เดฐเต
เดŽเดดเตเดจเตเดจเดณเตเดณเดฟ
เดฐเดพเดœเดพเดตเต
เดšเดฟเดจเตเดจเดฟ
เดฏเดฟเดฐเดฟเด•เตเด•เตเดจเตเดจ
เด…เดจเตเดญเดตเดฟเดšเตเดšเต.
เด’เดฐเตเด™เตเด™เตเด•เดฏเดฟเดฒเตเดฒ.โ€
เดธเตเดตเดจเตเดคเดœเต€เดตเดฟเดคเดคเตเดคเต†เดคเตเดคเดจเตเดจเต†
เดตเดฟเดšเดพเดฐเดฟเดšเตเดšเต
เด…เดคเตŠเด•เตเด•เต†เดฏเตเด‚
เดšเดพเดฐเตโ€เดœเต
เดคเดจเตเดจ
เดฎเดฑเดฑเตเด‚
เดธเตเดฒเตˆเด–เดฏเตเดŸเต†
เดตเดฟเด•เดพเดธเดคเตเดคเดฟเดจเตเดตเต‡เดฃเตเดŸเดฟ
เดฌเดทเต€เดฐเตโ€
เดตเต‡เดทเด‚
เดคเตเดคเดฟเดฒเตโ€
เดฐเดฃเตเดŸเตเดจเดพเดดเดฟเด•เดจเต‡เดฐเด‚
เด‰เดฃเตเดŸเดพเดตเตเด•เดฏเตเด‚
'เดจเดฟเดจเด•เตเด•เต
เด•เดŸเดฒเตเด•เดณเตโ€เด•เตเด•เดชเตเดชเตเดฑเดคเตเดคเตเดณเตเดณ
เดจเดฟเดฒเด™เตเด™เดณเต†
เด“เดฐเต‹
เดจเตเดฏเดพเดฏเด‚
เด…เดตเดฟเดŸเตเดคเตเดคเต†
เดจเดฟเดฐเตโ€
เดชเดฃเตเดŸเต‡
เดนเตƒเดฆเดฏเด‚
เด…เดคเต
เดธเดจเตเดจเดฆเตเดงเดจเดพเดฏเดฟ
เด…เดตเดณเตโ€
เดเดฐเตโ€เดชเตเดชเดพเดŸเต.
"เดŽเดจเตเดจเดพเดฒเตโ€
เด…เดธเต‚เดฏเดฏเตเด•เตเด•เต
เดชเตเดชเดŸเตเดŸเดฐเต
เดถเตเดฆเตเดงเดฎเดพ
เดธเตเดญเดฆเตเดฐเดฏเตเดŸเต†
เดจเดพเด‚
เดตเดพเดฏเดฟเดฒเตโ€
เด•เดฃเตเดŸเดชเตเดชเดจเต
เดชเต‹เดฏเดคเต
เดชเดฃเดฟเดฏเดฟเดšเตเดšเตเด•เตŠเดŸเตเดคเตเดคเต.
เดจเดฟเดฑเด‚
เด‰เดฃเตเดŸเดพเด•เตเด•เดฟเดตเดšเตเดšเดฟเดฐเดฟเด•เตเด•เตเดจเตเดจเดคเดพเดฏเดฟเดฐเดฟเด•เตเด•เตเด‚
เด•เดฎเดพเดฐเตโ€
เดงเดฐเดฟเดšเตเดšเตเดณเตเดณ
เด…เดธเด‚เด–เตเดฏเด‚
เด•เตŠเดดเตเด•เตเด•เต†
เด•เตเด•เดฏเตเด‚
เด…เดคเดฟเดฐเตโ€
เดจเดพเดฏเดฟ
เดจเตเดจเดคเต
เด•เตเดฐเดฟเดธเตเดคเตเดฏเดพเดจเดฟเด•เดณเตเด‚-เด‰เดคเตเดคเดฐเด‚
เด•เต‚เดŸเดพเดจเตโ€
เดดเดฟเดฏเดคเตเดคเต
เดฌเต‹เดซเตเดคเดพเดŸเตเดธเต
เดตเต‡เดฒเตโ€เด•เตเด•เดพเดฐเตเดŸเต†
เดชเตเดฐเดฟเด•เด™เตเด™เดณเตเด‚
เด‡เดจเดฟ
เดจเด—เดฐเดตเดพเดธเดฟเด•เดณเตโ€
เดชเด•เดฒเตโ€
เดšเต‹เดฆเตเดฏ
เด•เดฐเดŸเดฟเดฏเตเดŸเต†
เดจเดฟเดฐเดจเตเดคเดฐเดฎเดพเดฏเตเดณเตเดณ

Citation

If you use this dataset, please refer this paper

@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