HTRomance, Medieval French corpus of ground-truth for Handwritten Text Recognition and Layout Segmentation

Introduction

This ground-truth dataset has been carefully built around the idea of having generic data for building a strong and reliable model for HTR of Latin manuscripts. Each manuscript should have around 10 columns (5 bi-columns pages or 10 pages of single column).

Data follow the Segmonto guidelines.

Note

The repository contains two XML files per image. The ones suffixed with .chocomufin.xml are normalized in order to be compliant with other datasets following the same guidelines. The others are more specific to this repository. We recommend using the normalized documents.

Credits

• Transcriptions: Noé Leroy
• Supervision and manuscript selection: Ariane Pinche & Jean-Baptiste Camps.
• Project management: Thibault Clérice & Alix Chagué.

Transcription guidelines

The transcription guidelines are described in a paper available on HAL and published in the Journal for Open Humanities Data. The paper provides specific details about the selection process, the transcription methods and choices, as well as details about the output (mainly the Generic CREMMA Model for Medieval Manuscripts (Latin and Old French) for Kraken)

Data

ALTO and images can be found in the directory called data/. Each subfolder of data/ corresponds to a single manuscript, identified by its shelfmark.

Shelfmark	Links	Range	Type	Century	Color	Pages	Main Zones	Lines	Characters	Genre	Content
BnF fr. 20050	📁 B	4r-5v	vers	13	✓	4	4	84	3793	chansonnier	Le chansonnier de saint Germain
BnF fr 2168	📁 B	88rb	vers	13	✓	5	20	370	7964	Fabliau	Le sacristain
BnF NAF 10039	📁	1r-3r	verse	13	✓	4	12	116	3165	ROman	Roman d'Aspremont
BnF fr. 1450	📁	1r-2v	verse	13	✓	4	13	709	14817	roman	Roman de Troie
BnF fr. 17229	📁 B	127r-129r	prose	13	✗	3	12	479	12511	légendier	Legendier
BnF fr. 23117	📁 B	299vc-304rb	prose	13	✗	5	21	736	19852	légendier	Vie de saint Martin
BnF fr. 6447	📁 B	270r-271v	prose	13	✗	4	12	383	13246	légendier	Vie de saint Martin
BnF fr. 12581	📁 B	373r-375v	vers	13	✓	4	8	306	9289	Fabliau	Li Fabliaus des Treces
BnF fr. 1635	📁	fol. 4v-5v	vers	13	✓	3	7	219	4838	Fabliau	Testament de l'âne
BnF fr. 1553	📁 B	506r-508v	vers	13	✓	5	10	506	11153	Fabliau	Le Meunier d'Arleux
BnF fr. 1443	📁 B	1ra-3rb	vers	13	✓	5	14	418	10840	chanson de geste	Garin le Loherain
BnF NAF 23686	📁 B	112ra-114rb	prose	13	✓	5	10	424	17817	légendier	Vie de saint Alexis
BnF fr. 12603	📁 B	203ra-205ra	vers	13	✓	5	16	442	14126	chanson de geste	Fierabras
BnF fr. 2173	📁 B	96r-97v	vers	13	✓	4	8	240	5269	Fabliau	La Mal Honte
BnF fr. 19152	📁 B	120vd-122rc	vers	13	✓	4	13	529	11087	Fabliau	C'est li Romanz des Braies
BnF fr. 12615	📁 B	230v-231r	vers	13	✓	2	5	62	3336	chansonnier	chansonnier de Noailles _ Chanson d'amour d'Adam le bossu
BnF, fr. 13568	📁	1r-3v	historique	14	✓	4	24	154	2610	historique	Mémoires de saint Louis
BnF fr. 5024	📁 B	1r-3r	prose	14	✗	4	17	204	10631	Formulaire	Le formulaire d'Odart Morchesne
BnF fr. 12554	📁	1r-2v	prose	14	✗	4	2	178	7181	roman	roman
BnF, ms fr. 574	📁	4v-5v	religieux	14	✓	3	11	113	2023	religieux	Image du monde
BnF arsenal 3525	📁 B	88v-91v	vers	14	✓	7	18	185	4377	Fabliau	Dit des trois Dames de Paris_
BnF fr. 12558	📁 B	1ra-3ra	vers	14	✓	5	10	440	14017	chanson de geste	Chevalier du cygne
BnF fr. 840	📁 B	266r-267v	didactique	14	✓	4	11	257	6381	Didactique	Art de Dictier
BnF fr. 619	📁 B	1ra-4vb	prose	14	✓	6	12	356	11147	traité de chasse	Gaston Phébus, Livre de chasse
BnF, fr. 13568	📁	1r-5r	prose	14	✓	5	10	199	3371	historique	Mémoires de Froissart
BnF fr. 1357	📁 B	1v-5r	prose	15	✗	4	10	320	12680	traité astronomie	Simon de Phares, Recueil des plus celebres astrologues
BnF, Arsenal, ms-3346	📁 B	1r-3v	prose	15	✓	5	12	285	7194	chanson de geste	Garin le lorrain
BnF fr. 11610	📁 B	1r-4r	prose	15	✓	7	10	167	5435	roman	Roman du comte d’Artois.
BnF fr. 1881	📁 B	93r-96r	vers	16	✗	4	11	194	3941	hagiographie	chanson
BnF fr. 1881	📁 B	93r-95r	verse	16	✗	3	8	111	2031	hagiographie	Vie de saint Alexis

Metrics

Total number of pages

131

Regions

• MainZone (351)
• MarginTextZone (30)
• DropCapitalZone (246)
• RunningTitleZone (27)
• NumberingZone (51)
• Not specified (18)
• StampZone (8)
• text (8)
• Illustration (1)
• DecorationZone (14)
• QuireMarksZone (1)
• MusicZone (6)

Lines

• Not specified (71)
• DefaultLine (9018)
• InterlinearLine (38)
• HeadingLine (13)
• default (45)
• Numbering (1)

Funding

This project was funded by the Bibliothèque nationale de France through the 2022 project calls from Datalab for 2023.

Cite the project

Clérice, T., Chagué, A., Gille-Levenson, M., Brisville-Fertin, O., Pinche, A., Camps, J., Fischer, F., Boschetti, F., Guadagnini, E., Guilhem Couffignal, G., Canteaut, O., Romary, L., Reboul, M., Perreaux, N., Poibeau, T., Smith, M., Norindr, J., Glaise, A., Navas Farré, M., Bordier, J., Leroy, N., Alba, R., & Rubin, G. HTRomance [Data set]. https://htromance-project.github.io/

@misc{Clerice_HTRomance,
author = {Clérice, Thibault and Chagué, Alix and Gille-Levenson, Matthias and Brisville-Fertin, Olivier and Pinche, Ariane and Camps, Jean-Baptiste and Fischer, Franz and Boschetti, Federico and Guadagnini, Elisa  and Guilhem Couffignal, Gilles and Canteaut, Olivier and Romary, Laurent and Reboul, Marianne and Perreaux, Nicolas and Poibeau, Thierry and Smith, Marc and Norindr, Jade and Glaise, Anthony and Navas Farré, Marina and Bordier, Julie and Leroy, Noé and Alba, Rachele and Rubin, Giorgia},
title = {{HTRomance}},
url = {https://htromance-project.github.io/}
}

Infrastructure

This project relied on the CREMMA infrastructure.