IIIT-Synthetic-R-Tamil

Language

Tamil

Modality

Printed

Details Description

The IIIT-Synthetic-R-Tamil dataset consists of synthetically created 9,44,000 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 Tamil is 1294. 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 6,60,800, 94,400, and 1,88,800 word images and their corresponding ground truth transcriptions. There are 5,80,501 Tamil words in the training set.

Training Set:

train.zip contains folder named “images” with 6,60,800 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 5,80,501 words in the Training set.

Validation Set:

val.zip contains folder named “images” with 94,400 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 1,88,800 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
கடந்தம்
ஆராசாவும்
குருவருளும்
அதரங்களின்
சாய்பக்தர்
பகுத்தும்
மெனக்கட்டுகுர்
யோசிக்கறதுக்குள்ளே
வெளியூர்லயோ
கட்டிடத்தினை
சுட்டிக்காட்டுங்களேன்ஆனால்
குண்டிலேயே
ஸ்கிப்பிங்
சொசங்கரபாண்டிஇவை
கொள்ளுகிறேன்எனவே
தொிந்து
நிலவுடைமையாளர்களாக
போஞ்
நோர்வேயிலிருந்தும்
கவனிப்பார்அவருக்கு
பேசஇராம்
குரலைப்
நிலத்தநூல்
தொழுங்காதல்
வாங்கிச்செல்கிறார்கள்
ஹிந்துக்கள்
சொல்லியிருக்கிறார்சொன்னதை
கேரண்டம்
ஏஎஸ்பி
எழைமான்
வெருப்பதில்லை
ஒன்றிரண்டைத்
போட்டியன்று
மகிழ்ந்தார்கள்இரண்டாம்
சீர்திருத்தவாதிகள்
விவாத்த்திற்கான
அவர்இவ்வழக்கில்
ஆகுதியாக
உயர்ந்துள்ளதுஓரினச்
நிண்டதுகளையெல்லாம்
கருவுற்றால்
அனுபவமுண்டு
அளிக்குமுகமாக
ஓடுகிறதுநாடு
இலியாஸ்கான்
நற்காரியமும்
விளையாட்டாக்
அம்மணமாக்கப்படுவது
ஹூசேனை
இடம்பெறப்போகும்
தந்திரத்தாலா
கொடுக்கிறார்கள்அப்போது
வாருங்கள்உங்களை
முகத்திலறைந்துவிட்டு
தொலைபேசியிலிருந்தே
கிடைச்சுருதுன்னு
சார்ஏதும்
கொடுத்துருக்காங்கன்னார்
ஐஎஸ்ஐயுடனும்
மிரட்டியாவது
வருகின்றனர்தங்களிடம்
இயல்பாட்டை
வல்லுனனுடைய
சேர்த்தார்கேணல்
அட்மிட்டடா
முல்பானி
புரிதல்களிலிருந்து
தம்பலகாமநகர்
பாதிரியாருடைய
விரிவுஎனக்கு
சிக்கிவிடுகின்றனர்
மாத்துறேன்னா
ஒன்னயப்
உள்ளதுஅமலா
மறுதலிக்கப்பட்டது
இஸ்லாத்தினையும்
சுற்றல்களும்
நீட்டொலி
சொல்றதோட
சீலையினை
ராதாவென்று
சம்பவங்களிலேயுள்ள
நாளைக்கெண்டாலும்
கேக்குறான்னு
வீர்ருக்கமைந்த
நிலைக்காத
நியாயமாகச்
சரணாக்
பாடாதடா
இயத்தைப்
மீதுதாக்கதல்
போடலாம்டெல்லியில்
கேட்கப்பட்டதாய்க்
மீன்கொத்தியும்
இனமுமே
மிச்சனரிகளின்
எண்ணம்நோர்வேஜிய
அகச்சிக்கல்களும்
சிறுகதைனுகூட
நொன்னை

Feedback form