2026-05-16T06:49:52.713Z https://www.nb.no/sprakbanken/oai

oai:nb.no:sbr-101

Arne Martinus Lindstad 2025-01-28 https://www.nb.no/sprakbanken/oai?verb=GetRecord&identifier=oai:nb.no:sbr-101&metadataPrefix=cmdi clarin.eu:cr1:p_1562754657363 Språkbanken NB

Resource https://www.nb.no/sbfil/samisk_ocr/syntetisk_data/parquet_files.zip Resource https://www.nb.no/sbfil/samisk_ocr/syntetisk_data/README_nob.pdf Resource https://www.nb.no/sbfil/samisk_ocr/syntetisk_data/README_eng.pdf describes describes toolService Syntetiske tekstbilder for nord-, sør-, lule- og inaresamisk Synthetic text images for North, South, Lule and Inare Sámi Dette datasettet inneholder syntetiske linjebilder som kan brukes til å finjustere OCR-modeller for nord-, sør-, lule- og inaresamisk. Fremgangsmåten for å lage disse bildene er å lage 'rene' linjebilder og tilføre støy ved hjelp av Augraphy. Teksten i datasettet kommer fra Giellatekno sitt korpus. Datasettet er tilfeldig delt opp slik at 71% av filene (307387 linjer) er i treningsdelen, 9% av filene (40765 linjer) er i valideringsdelen og 20% av filene er i (84534 linjer) testdelen. Hver del har en unik mengde skrifttyper og tekst- og bakgrunnsfarger. Se dokumentasjonsfilen for mer informasjon. This dataset contains synthetic line images meant for fitting OCR models for North, South, Lule and Inari Sámi. Clean line images are created using Pillow and they are subsequently distorted using Augraphy. The text in this dataset comes from Giellatekno's corpus. The dataset is split randomly by file so 71 % of the files (307387 lines) are in the training split, 9 % of the files (40765 lines) are in the validation split and 20 % of the files (84534 lines) are in the test split. Each split has a unique set of typefaces and text/background colors. | See the documentation file for more information. https://www.nb.no/sprakbanken/ressurskatalog/oai-nb-no-sbr-101/ hdl:21.11146/101 sbr-101 Public downloadable https://www.nb.no/sprakbanken/ressurskatalog/oai-nb-no-sbr-101/ Please cite 1. Enstad T, Trosterud T, Røsok MI, Beyer Y, Roald M. 'Comparative analysis of optical character recognition methods for Sámi texts from the National Library of Norway.' Accepted for publication in Proceedings of the 25th Nordic Conference on Computational Linguistics (NoDaLiDa) 2025, https://arxiv.org/abs/2501.07300. 2. SIKOR UiT The Arctic University of Norway and the Norwegian Saami Parliament's Saami text collection, http://gtweb.uit.no/korp, Version 01.12.2021 [Data set]. (Also note that the SIKOR dataset to get Sámi text for the images is CC-BY 3.0 licensed.) Creative Commons (CC) Creative_Commons-BY (CC-BY) https://creativecommons.org/licenses/by/3.0/ BY organization Licensor Nasjonalbiblioteket National Library of Norway NB NLN Språkbanken The Language Bank sprakbanken@nb.no https://www.nb.no/sprakbanken/ organization Contact Nasjonalbiblioteket National Library of Norway NB NLN Språkbanken The Language Bank sprakbanken@nb.no https://www.nb.no/sprakbanken/ 2025-01-28 Norwegian Bokmål English nb en 2025-01-28 organization Metadata Creator Nasjonalbiblioteket National Library of Norway NB NLN Språkbanken The Language Bank sprakbanken@nb.no https://www.nb.no/sprakbanken/ 2024-10-01 2025-01-28 organization Resource Creator Nasjonalbiblioteket National Library of Norway NB NLN Språkbanken The Language Bank sprakbanken@nb.no https://www.nb.no/sprakbanken/ Synthetic text images for Sámi Languages image text Synthetic images for Sámi Languages https://www.nb.no/sprakbanken/ressurskatalog/oai-nb-no-sbr-101/ OCR