IIIT-Synthetic-IndicSTR-Hindi

Language

Hindi

Modality

Scene Text

Details Description

The IIIT-Synthetic-IndicSTR-Hindi dataset consists of synthetically created 2M word images along with their corresponding annotations. To create synthetic images, freely available Unicode fonts are used to render synthetic word images. 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 (ЁЭЬО) 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 1.5M, 0.5M, and 0.5M word images and their corresponding ground truth transcriptions. There are 3,19,958 Hindi words in the training set.

Training Set:

train.zip contains folder named тАЬimagesтАЭ with 1.5M word level images, тАЬtrain_gt.txtтАЭ containing image name and ground truth text separated by тАЬTab spaceтАЭ and тАЬvocabulary.txtтАЭ contains list of 3,19,958 words in the Training set.

Validation Set:

val.zip contains folder named тАЬimagesтАЭ with 0.5M word level images, and тАЬval_gt.txtтАЭ containing image name and ground truth text separated by тАЬTab spaceтАЭ.

Test Set:

test.zip contains folder named тАЬimagesтАЭ with 0.5M word level images, and тАЬtest_gt.txtтАЭ containing image name and ground truth text separated by тАЬTab spaceтАЭ.

Downloads

To download Train, Test or Val data, please Login

Login Sign Up

Sample Word Level Images from Training Set

Image Ground Truth
рдЪреМрд░реАрдмрд╛рд░реА
рдорд╛рд░реЛрдЯрдЬрд╡рд│
рд╣реЙрд╕реНрдкрд┐рдЯрд▓реАрдпрд░реЗрд╕
рдЬрд▓рд╛рд╢рдпрд╛рдВрдЪрд╛
рддрд┐рд▓реНрд▓рд╛рдирд╛ред
рд╡реНрд╣реЗрд▓рд╢рд┐рдк
репрежремремрдкрд░
рдХреЗрд╕рд░рд┐рдпрд╛рдирд╛рде
рд▓реЗрдЬрдВрд╕
рдлреНрд░реЛрдЯреЗрд░рд┐рд╕реНрдЯрд┐рдХ
рдЧрд╕реНрдЯреЗрд╡
рдКрдирдХрд╛
рдШрдЯрд▓реНрдпрд╛рдд
рддрд┐рд▓реНрд▓рд╛рдгрд╛
рд╕рдВрд╕реНрдерд╛рдВрдирд╛рдВрдиреА
рдкреНрд░рддрд┐рдХреНрд╖рд╛рддреНрд░
рд╕рдХрд┐рдердиреА
рджрд╛рдВрдбреНрдпрд╛
рдмреНрд░реБрд▓реИрдВрдб
рдорд╛рд▓рд┐рдХрд╛рдЪреЗ
рдЖрдирдВрджрд╛рдХрд░реАрддрд╛
рдХреЙрдиреНрдбрд┐рд▓реЛрдорд╛
рдЕрд╕реЛрдпрд╕рддреНрддрдЪреНрдЫрджрдВ
рдЧреЕрд╕рдЪреНрдпрд╛
рд░рд╛рдЬрд╕рддреНрддрд╛рдзрд╛рд░реА
рдХрд╝рд┐рд▓рд╛рдмрдВрджреА
рдЯрд╛рдЗрдлрд╝рд╛
рдЙрдЪреНрдЪрд╛рд░рд╛рдВрдкреЗрдХреНрд╖рд╛
рдмрд╛рд│реНрдЧрдгреНрдпрд╛рдЪрд╛
рдХрд╛рдВрдкрд╛рдиреЗрд▓реНрд▓рд╛
рдЪрдиреНрджреН
рд╕рдВрд╕реНрдирд╛рдкреНрдпрдХреНрд╖реМрдорд╡рд╕реНрддреНрд░реЗрдгрд╡реЗрд╖реНрдЯреНрдпрдЪ
рд╡рд┐рдзреЗрдпрд╛рдХрд╛рд╕рдВрдмрдВрдзрд┐рдд
рдЕрдгреНрд╡рд╕реНрддреНрд░реЗрд╕реБрджреНрдзрд╛
рдПрд▓рд┐рдЬрд┐рд░рд┐рди
рд╢рд┐рдмрд┐рд░рд╛рдВрдордзрд▓реЗ
рд╕реНрдлреБрд░рдгрд░реВрдк
рдирд┐рд░реБрддрд░
рдкреНрд░рд╛рдкреНрдЯрд░
рдордзреНрдпрдорд╡рд░реНрдЧрд╛рдд
рд╕реНрдореЛрд░реНрдЧрд╛рд╕рдмреЛрд░реНрдб
рдкрд▓рдЯрдиреАрдВрдиреА
рдкрд┐рд▓рд╡рд╛рдВрдЪреЗ
рдЕрд░реНрджреНрдзрдпрд╛рдВрддреНрд░рд┐рдХ
рдХрдиреНрдЯреНрд░реАрдЬ
рдЯреЕрд░рдВрдЯреБрд▓рд╛рдЪрдВ
рдереНрд░рдВрдмреЗрдХреНрдЯреЛрдореА
рд╕рдХрд│рд╛рд╣рд┐
рдЬрд╣рд╛рдЧреАрджрд╛рд░рд╛рдВрдд
рд╕рд╛рдЪрд▓рд╛ред
рд╡рд┐рд╢реЗрддреНредред
рдЖрдВрдорд╛рдкрди
рдЕрддреНрдпреЛрдЪреНрдЪрд╛рд╡реГрддреНрддрд┐
рдХрд╛рд░реНрдпреЛрдВрдХреЗ
рд░реАрдлрд░реНрд╕
рдордВрдбрд│реАрд╕рдорд╡реЗрдд
рднрд╛рд╡рдВрдбрд╛рдкреИрдХреА
рдЖрд▓рд╕рдкрди
рдбрдХреНрдЯрд░реЗрдЯ
рд╣рд╕реНрддрд╛рдВрддрд░рд╛рдЪреА
рдорд╛рд╣реЗрд░рд╛рд╣реВрди
рдЗрдерд┐рд▓реЗ
рд╡реНрдпрд╡рд╕реНрдердкрд┐рдХрд╛
рдмреАрдЬрдХреЗ
рд╡реЗрдХреЗрдУрд╕
рд╕рдВрдЧрддрд┐рдпреЗ
рдШреЗрд╡рд╛рдгреАрдЪреА
рд╢рд╛рд│реЗрдЪреАрд╣реА
рд╕рдХрд▓реЛрджреНрдзрд╛рд░рд┐рдгрд┐
рд╕рд╛рдЗрдлрдиреА
рджреЗрд╢рднрдХреНрддрдореН
рджреГрдврд╝рд╛рдпреБ
рд░рд╛рдЧрд░рд╕рд╕рд┐рджреНрдзрд╛рдиреНрдд
рд╡рд┐рдЬрдпрд╢рдХреНрддрд┐ред
рдмрд┐рдирд╣рд╛рддрд╛рдЪреНрдпрд╛
рдмреЗрд│рдЧрд╛рд╡рд╛рд╕
рдлрд╛рдИрд░реНрдЪрд┐рд▓реНрдб
рдУрдкрдирд╕реЛрд╢рд▓
рдЯреИрдиреЛрдп
рдХрд░реНрдорд╛рдВрдиреЗрдВ
рд╢реБрд░реБрдЖрддрд╣реЛрддреА
рдкрд╕рд░рдгреНрдпрд╛рдд
рдЯреНрд░реЗрд╕рдХреЛрд╡
рд╡рд╛рдХрд╛рдЪреА
рдмрд╛рдЖрд│реНрдкреЙрдЖрдИрдгреНрдЯреЕ
рдЧреЛрд▓рдЪрдХрддреНрдпрд╛рдВрд╡рд░
рд╡рд┐рд╢реЗрд╖рд╛рдВрдХрд╣реА
рдкреИрд░рд╡рд╛рд▓рд╛
рддрд┐рд░реБрд╡рдирд┐рдХрд╛
рд╢реНрд░реАрдХреГрд╖реНрдгрд╛рд╢реНрд░рдп
рдЯреЗрдВрдкрд▓рдЪреНрдпрд╛
рдПрдордИрдЪреА
рд╕рдВрдШрд╛рддрд▓реА
рдЕрдкреНрдирд╛рдпрд╛
рдзрд░рд╛ред
рд╡рдирд╕рдВрдкрддреНрддреАрдиреЗ
рд╕реЗрд╡рд╛рдПрдВред
рдХреЛрд╡рд▓реВрди
рд╕рдВрджрд░реНрднрдЧреНрд░рдВрдерд╛рд▓рдп
резрепрелрейрд╕рд╛рд▓реА

Citation

If you use this dataset, please refer these papers

@inproceedings{mathew2017benchmarking, 
  title={Benchmarking scene text recognition in Devanagari, Telugu and Malayalam}, 
  author={Mathew, Minesh and Jain, Mohit and Jawahar, CV}, 
  booktitle={2017 14th IAPR international conference on document analysis and recognition (ICDAR)}, 
  volume={7}, 
  pages={42--46}, 
  year={2017}, 
  organization={IEEE} 
} 

@inproceedings{gunna2021transfer, 
  title={Transfer learning for scene text recognition in Indian languages}, 
  author={Gunna, Sanjana and Saluja, Rohit and Jawahar, CV}, 
  booktitle={International Conference on Document Analysis and Recognition}, 
  pages={182--197}, 
  year={2021}, 
  organization={Springer} 
} 

@inproceedings{lunia2023indicstr12, 
  title={IndicSTR12: A Dataset for Indic Scene Text Recognition}, 
  author={Lunia, Harsh and Mondal, Ajoy and Jawahar, CV}, 
  booktitle={International Conference on Document Analysis and Recognition}, 
  pages={233--250}, 
  year={2023}, 
  organization={Springer} 
} 

Feedback form