IIIT-Synthetic-IndicSTR-Marath

Language

Marathi

Modality

Scene Text

Details Description

The IIIT-Synthetic-IndicSTR-Marathi 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 1,80,287 Marathi 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 1,80,287 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
рдмрдВрджрдЦрдВрдбрдгреА
рд╣реЛрдИрд▓рдирд╡реАрди
рд╡рд┐рдЪрд╛рд░рд╕рд░рдгреАрдЪрд╛
рдКрдШрдбрд▓реА
рд╢реЗрдЬрд╛рд░реА
рджрд╛рд░реНрдЬрд┐рд▓рд┐рдВрдЧ-рд╕рд┐рдХреНрдХреАрдо
рдЯреНрд╡рд┐рдЯрд░
рдЬрд╛рджреВрд╕рд╛рдареА
рдХреЗрд▓реЗрд▓реА
рдЕрд╡рдирд╡рд┐рди
рд╕рдВрджрд░реНрднрдкреНрд░рдпреЛрдЬрдирдГ
рд╕рдЧреНрдЧреНрдЧрд│реЗ
рдЫрд╛рдВрд╡
рд▓рд╛рд╡рд▓рд┐рдпреЗ
9297
рдЖрд╣реЗрдпрд╛рд╡реНрдпрддрд┐рд░рд┐рдХреНрдд
рд╣реЗрд▓рдирдЪрд╛
рд╡рд╛рд╣рд┐рдиреАрдЪрд╛
рдЯрд╛рд░реБрдмрд╛рд│
рдХрд╛рдЯрдпрд╛рд╕рд╛рд░рдЦреЗ
рдкреЙрдИрдВрдЯрдЪрдВ
рдЖрд╣рд╛рд░-рдЖрдЪрд░рдгрд╛рдд
рд╡рд╛рдкрд░рддрдВ
рдЖрдКрдЯ
рд╣реНрдХрдирд╛рдХ
рдкрд╛рддреВрд░рдХрд░
рджрд╛рдиреАред
рдЖрдКрдЯрд╕реЛрд░реНрд╕рд┐рдВрдЧрдЪреЗ
рджреЛрдиреНрд╣реАрдмрд╛рдмрдд
191рдЬреА
рдирд┐рдзрд╛рд░реНрдорд┐рдХ
рд╣реЙрдЯреЗрд▓рдордзреЗрдЪ
рдкреЛрдЯ
рдирд╛рдЪрдпрд╛реНрдирдореНред
рд╣рдЭрд▓
рдХреИрдирд╡рд╛рд╕
рд╕рддреН-рдЬрдирд╛рдВрдХрдбреВрдирдЪ
-рдЪрд╛рдВрджреА
рдЖрдирдВрджрдпрд╛рддреНрд░реАрдВрдиреА
рдЭрдВрдбреБ
рд╕реНрдорд┐рддрд╛рдВрдЪреЗ
рднрд╛рд╡рд╛рд╕рд╛рд░рдЦрдВрдЪ
рд╡рд╛рдИрдлреНрд╕
рд╣реЛрддрд╛
рдХреЙрдиреНрдлрд░рдиреНрд╕рд╡рд╛рд▓реЗ
70-238
рдЦреБрд╢рд┐
рдорд╛рдирд╡реАрдордиреЛрд░реЗ
рдкреЛрдЯрдкрд╛рд▓
рдмреНрд░реЗрд╕реНрд▓реЗрдЯрд╕
рд╡рд░реНрд╖рд╛рдВрдЪреНрдпрд╛-
рд░рд╣рдгреНрдпрд╛рд╕рд╛рд░рдЦрд╛
рдПрдХрд╢реЗ
234рд▓рд╣рд╛рди
рд╕реНрдиреЗрд╣!!
рдЗрдВрдЯреЗрд▓рд┐рдЬрдиреНрд╕
рдмрд╕рдгреЗ
рдУрд░рдбрддрд╛рдирд╛
рдкреБрд│реНрдпрд╛рдЪрдВ
рддреЛрдпрдмрд╛рд╕реЗ
рд╕реНрд╡реАрдХрд╛рд░рддрд╛рдд
рдлреЛрд░реНрд╕рдордзреАрд▓
рдареЗрд╡рд╛рд╡рд╛
рдЖрд╢реНрд╡рд╛рд╕рдХрддрд╛
рдЕрд╕реЗрд▓рддрд┐рдЪреА
рдЧреМрд░рд╛рди
рд▓рдЧреЗрд▓?
рд░рд╛рдорд╛рдпрдгрд╛рдкреЗрдХреНрд╖рд╛
рд╕рдорд░реНрдкрдгрд╛рдд
рдЖрдЧреНрдиреЗрдпреЗрд▓рд╛
рдирд┐рд╖реНрдкреНрд░рдЬреНрдЮ
рдЖрдЧ
рдзреЛрд░рдгрд╛рдВрдореБрд│
рд╕рднрд╛рдЕрд╕рдж
рд╣рд┐рдорд╛рд▓рдпрд╛рдкрд╛рд╕реВрди
рдмреЗрди
рдХрд╛рд░реНрд╡рд╛рдИ
рдЖрдХреГрддрд┐рдмрдВрдз-
рдЕрдиреБ-рдЬреНрдЮрд╛рддрд╛
рекрежрек
рд╕рд╛рдиреЗрдХрд░рд╛рдореНрдЪреЗ
рдХреНрд╖реЗрддреНрд░рд╛рдВрдЪрд╛
рдСрдмрдЭрд░реНрд╡реНрд╣реЗрд╢рдирд╕
рдордВрддреНрд░рд┐рдордбрд│рд╛рдд
рджреЗрд╡реАрддреЗ
рдЖрд╡рдбреАрдЪреЗрдЪ
рд╕рд╣рдХреБрдЯреБрдВрдм
рдзрдХреНрдХрд╛рдмреБрдХреНрдХрд┐
рджрдЦрд▓
рд▓рдЧреНрдирдереА
рд╢рддрд╛рдиреЗрдХ
рдиреЗрдордгреБрдХреАрдЪрд╛
рдордВрдбрд│реАрдВрдкрд░реНрдпрдВрдд
рдЗрд▓рд╛рдЦреНрдпрд╛рдЪреЗ
рд╣рд╛рддреН-рдкрд╛рдп
рдЕрд╢реНрдпрд╛рддрдЪ
рдУрдвреВрдиреА
рдкрддреАрдЪреЗ
рдЙрдордордордо
рддреБрдХрдбреЗ

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