IIIT-Synthetic-R-Kannada

Language

Kannada

Modality

Printed

Details Description

The IIIT-Synthetic-R-Kannada dataset consists of synthetically created 7,89,750 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 fonts used for Kannada is 149. 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 is divided into Training, Validation, and Test Sets consisting of 5,52,825, 78,975, and 1,57,950 word images and their corresponding ground truth transcriptions. There are 4,48,668 Kannada words in the training set.

Training Set:

train.zip contains folder named “images” with 5,52,825 word level images, “train_gt.txt” containing image name and ground truth text separated by “Tab space” and “list_of_words.txt” contains list of 52,740 words in the Training set.

Validation Set:

val.zip contains folder named “images” with 78,975 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 1,57,950 word 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
ಹಾಕಿಬಾಬಾ
ಬನ್ನಿಸಾರ್
ಕಾಯವನು
ಬಿಡುತ್ತಾರೆಕಲೆ
ಹಿಡ್ದ್ದೆಲ್ಲ
ಬೆಳೆಸುವೆನು
ಖಂಡಿಸಿದವರಲ್ಲ
ನುಗಿದನೆಂದರೆಹಲ್ಲುಜ್ಜದೇ
ಎತ್ತಗಳ
ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಿರಲಿಲ್ಲವೆಂದು
ಜಾಗಗಗಳಿಲ್ಲ
ಆಯ್ತುಮಹಾಶಿವರಾತ್ರಿಯ
ಅಳವಡಿಸಿದ್ದಾರೆಕೆಲವು
ಭೂದರ
ಬಿಸಿನೆಸ್ನಿಂದಾಗಿ
ಚೈತನ್ಯವನ್ನೂ
ದಂಪತಿಯೂ
ನುಡಿಚೈತ್ರ
ಪೀರಿಯಡ್
ನಿರ್ಬಂಧಿಸಲಾಗಿದೆಆದಿ
ಮಾಸ್ತರೂ
ಕೊಮುವಾರು
ಸದಸ್ಯನ
ಫೇಡ್ಔಟ್
ನಡೆಸಿದ್ದಾರೆದೀಪವು
ಬುದವಂತ್ರು
ತುಚ್ಛೀಕರಣವನ್ನು
ಪ್ರೊಗ್ರಾಮ್ಸ್
ಬ್ರಾಹ್ಮಣಃ
ಭವ್ಯಾಕೃತಿಗೆ
ಉಂಡಮನೆಗೆ
ಕೂಡಲಸಂಗಯ್ಯಶಿವು
ಅಬ್ಬರಿಸಿದವರು
ಹಾನಿಕಾರಿ
ಕಾಲಯುಕ್ತಾಕ್ಷಿ
ಮೊಮ್ಮೊಗಳ
ಶಿವಧ್ವಜ್
ಐವ್ವತ್ತರ
ಹನಿಯಾಗಿರಬಹುದು
ಓದಿಲ್ಲವಾದರೂ
ಕಾರಿಗಿಂತ
ಚಾಳ್ಸ್ತೋಜಾಗತೀಕರಣದ
ಮನದಲ್ಲಿದ್ದರೇ
ಅಪ್ರಸ್ತುತನಿರೀಕ್ಷೆಯ
ಹೇಳಿವಂದನೆಗಳೊಂದಿಗೆ
ವೈಖರಿಯಲ್ಲೂ
ಸಹೋದ್ಯೋಗಿಗಳುಕರವಸ್ತ್ರದಡಿಯಲ್ಲಿ
ಕಟ್ಟುತ್ತಿರುವಾಗ
ಬೈಸಿಕೋತೀನಿ
ಮನುಷ್ಯನೊಳಗಿಂದ
ನಿತ್ಯನೂತನತೆಯನ್ನೂ
ಸಿಗಬಹುದೆಂದು
ತಪ್ಪಿಸುತ್ತಿರಲಿಲ್ಲ
ಕ್ಯಾಡಾಲ್ಸೊ
ನವೋನ್ಮೇಶದ
ಗುರುತ್ವಾಕರ್ಷಣ
ಬರಲಿಲ್ಲ್ವವೇ
ಪ್ರಶ್ನೆಗಳನ್ನೆತ್ತಿದ್ದಾಳೆ
ನೀವಂದದ್ದು
ಮೊದಲೆಲ್ಲ
ಸ್ಥಿರತೆಅಸ್ಥಿರತೆ
ಕ್ರೈಸ್ತ್ಮೊದಲಿಗೆ
ಆಗೀಗೊಮ್ಮೆ
ಕೋರ್ಪೋರೇಷನ್ಗಳು
ಯಾತನೆಯು
ತಿಳಿಸಿದಿರಿಸೃಷ್ಟಿ
ಬಯ್ಯೋವುಮಹಮ್ಮದ್
ಓದುಗಳಾಗಿ
ಖಾಯಿಲೆಗಳಿಲ್ಲದಿರುವುದು
ತತ್ತರಿಸಿತು
ಓದಿಜಾತಿಯನ್ನು
ನಡೆಸುವಂತಾಗಲೀ
ನೇತೃತ್ವವನ್ನು
ಹೋಗಬೇಕೆಂದಿದ್ದೇನೆ
ಗುರುಅನುಪಮಾ
ಕನ್ನಿಕೆಯನ್ನು
ಗಾಯಗೊಳ್ಳುತ್ತಿದ್ದನು
ಹಡಗುಸಾಗಣೆಯಲ್ಲಿ
ಗಮನಿಸಬಹುದುನಿನ್ನೆ
ಮೂಡಿಹುದುಭಾರತೀಯ
ರಷ್ಯದವರು
ನೀಡುತ್ತವೆಸ್ವಾಮೀಜಿ
ದುಬೈಅಲ್
ಫಲಿತಾಂಶವಾಗಿದ್ದು
ತಿಳಿಯತಕ್ಕದಲ್ಲ
ಪರಿಗಣನೆಯಾಗಿತ್ತು
ಅಣ್ಣಂದಿರೆಲ್ಲರ
ವ್ಯವಸ್ಥೆಯ್ಲಲಿ
೪೧೦೦೦
ಕಿತ್ತಿಟ್ಟೆ
ಸಂಪರ್ಕಕ್ಕಾಗಿನ
ಮುಂಚಾಚಿದ
ಬೆರೆಸಿದರೆ
ಘೋಷಿಸಲಾಗುವುದು
ಮುಖ್ಯದ್ವಾರವಾದ
ಶಕಲಕ
ಗಿಣಿಬುದ್ಧಿಯ
ಸುತ್ತಿಸೋಕೆ
ನೆಮ್ಮದಿಯಿಲ್ಲ
ಒಡನಾಡಿಗಳ

Feedback form