IIIT-Synthetic-R-Telugu

Language

Telugu

Modality

Printed

Details Description

The IIIT-Synthetic-R-Telugu dataset consists of synthetically created 6,12,500 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 Telugu is 300. 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 4,28,750, 61,250, and 1,22,500 word images and their corresponding ground truth transcriptions. There are 3,68,038 Telugu words in the training set.

Training Set:

train.zip contains folder named “images” with 4,28,750 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 3,68,038 words in the Training set.

Validation Set:

val.zip contains folder named “images” with 61,250 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 1,22,500 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
ఇనపథాతువు
రెండుశాతంరా
నయాగరాకే
భండాగారాన్నంతా
సంప్రదిస్తారు
ఆర్కిటెక్చర్
ఇజాలకు
పలుకుదా౦డియర్
సైదాపేటకు
సమస్యరాయ్
ప్రదాణం
సుస్థిరపడాలిప్రపంచ
ప్రాంతమందే
సహజీవనాన్ని
గొబ్బెమ్మలతో
పార్టీలుసైతం
పడ్తాడుభీష్ముడు
తెరిపిస్తాను
చిత్రీకరించగల
మునుగుతోందితప్పు
సిటీల
జాజుతో
నిలువున
రావుమంజుశ్రీ
ప్రవృత్త్యనుకూలము
పూజించినా
సాటివృత్తిపనివాళ్ళు
పరిభ్రమిస్తున్నాం
వెళ్ళాడురహమతుల్లా
పెట్టాలిముల్లంగి
షాఫయి
కోరికేంటో
శాంతించవచ్చుగా
చెక్కలు
పరిక్షలంటె
వుంత్ంధి
భూకైలాస్
ఫలితమును
హర్షాద్వానాలు
భార్యామణితో
చెప్పబోయాడుజీప్లోంచి
జాతివాడైనా
కృషక్
బ్రతుకలా
ఇంజనీర్స్సారస్వత
వందనాంజలిసదస్సుకు
ప్రార్థిస్తాను
మేస్టారుని
లెదనే
చేయించండిప్రసాద్
అమలొ
డబ్బుపెట్టాల్సి
వైవిధ్యమైందోఅది
తీసుకుపోతున్నాయితమిళ
వుపాధికి
దాగుడుమూతలాడుకున్నరు
ఉందాఎలా
పేర్కొంటూనే
వ్యాఖ్యకీ
ఉంటారునిజామాబాద్
మొదలైనట్టుగా
హస్తాన్నీ
దానోదకముచే
డాపివిపరబ్రహ్మశాస్ర్తీకి
పీనుగువలెనైతివిబిలముయొక్క
కాదన్నవారే
మిగిసినా
రూక్
మథనం
అవసరాలుంటాయనే
మర్చిపోయేవాడిని
యుగాంతంలోగా
పాలిష్టరు
మగాళ్ళే
కలశాంబుధి
ప్రజలెంత
పునాసకోసం
శాల్తీలుసందులోనుంచి
శ్రీమహస్సముదాయ
వుండేదాన్నిగానుగెద్దు
నోరుంది
బెనారస్
తొణకలేదు
సిద్ధం
సాయంత్రమయిపోయింది
సింహుడనే
నాలుగువైపులా
జరుగుతుందినిజానికి
విఎస్బోస్
చాన్సులివ్వడు
పట్టుకుపోతూంటారునీ
చేసేదేగా
అదాటున
తినవుకృష్ణుడు
స్వామిదేవఏదో
సమరంబున
తగ్గించాలంటే
పాన్గాంగు
బ్రహ్మాచారి
చిటికెనవేలు

Feedback form