Akshara-Gujarati

Language

Gujarati

Modality

Printed

Details Description

We randomly crop word images from 1000 document page images to create the Akshara-Gujarati dataset. The pages are taken from multiple books and scanned using a flatbed scanner. The pages are scanned in 600 DPI. We manually annotate ground truth transcriptions of cropped word images. This dataset consists of 1,00,016 word images, and their corresponding ground truth transcriptions. We divide this dataset into Training, Validation, and Test Sets consisting of 79,910 , 10,016 and 10,090 word images and their corresponding ground truth transcriptions. There are 21,005 unique Gujarati words in the training set.

Training Set:

train.zip contains folder named “images” with 79,910 word level images, “train_gt.txt” file containing image name and ground truth transcription separated by “Tab space”, and “vocabulary.txt” contains list of 21,005 unique words in the Training set.

Validation Set:

val.zip contains folder named “images” with 10,016 word level images, and “val_gt.txt” containing image name and ground truth text separated by “Tab space”.

Test Set:

test.zip contains folder named “images” with 10,090 level images, and “test_gt.txt” containing image name and ground truth text separated by “Tab space”.

Downloads

To download Train, Test or Val data, please Login

Login Sign Up

Sample Word Level Images from Training Set

Image Ground Truth
સ્વાતંત્ર્ય
રોજ
થયેલું
શાહ
દેશમાં
હડતાલ
માટે
રી
ફેરવી
શિક્ષણ
માહિતી
રાજકીય
પૂછવું
સાંભળીને
પ્રતાપે
ભાઈને
એમ
મળી
સંસ્થાઓને
કેમ
પોલાક
વચ્ચે
જે
સમયમાં
કબૂલ
શરૂ
કે
!'
નોકરીમાં
બાપુને
ખંડમાં
સફાઈ
પરિવર્તનનું
સેન્દ્રા
છું.
તો
શ્વાસોચ્છવાસ
છે
અભ્યાસ,
વિષે
ફૈબાના
તો
રોકો
ધરે,
।।
ઈનકી
ચિતારો
...........અંબા
સંગે,
હાથે,
લોયણવી
અંગ્રેજી
હતા.
પ્રતિજ્ઞા
અતિશય
હતું
મણિબહેન
મળેલી
તલપૂર
રવિવારે
કૉંગ્રેસની
ઉપયોગી
લાભ
આવો
દેવ
તે
આધારે
નિવેદન
હોવા
થઈ
બંધારણમાં
ઊમટ્યાં.
મળે
છે.૨૦૨
નૌકા
આખુ
થોડે
ગરીબ
ઘોડેસવારોને
છે."
આવનાર
થયાં.
ભાગમાં
ફડેલફોમની
ચાલ્યું,
છે.
કાર્યો
મને
તો
વિચાર્યું,
મનમાં
ગમે
માળા
કેવાં
મહારાજ
દરબારીઓએ
શરત

License

This dataset is under the license CC BY 4.0. For more details, please see the data_license.doc file.

Feedback form