論文の概要: Towards Boosting the Accuracy of Non-Latin Scene Text Recognition
- arxiv url: http://arxiv.org/abs/2201.03185v1
- Date: Mon, 10 Jan 2022 06:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 16:01:15.005141
- Title: Towards Boosting the Accuracy of Non-Latin Scene Text Recognition
- Title(参考訳): 非ラテンシーン音声認識の精度向上に向けて
- Authors: Sanjana Gunna, Rohit Saluja and C. V. Jawahar
- Abstract要約: シーンテキスト認識は、非ラテン言語よりもラテン言語の方が著しく優れている。
本稿では,英語のデータセットを非ラテン語の言語と比較することにより,低精度化の可能性について検討する。
- 参考スコア(独自算出の注目度): 27.609596088151644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scene-text recognition is remarkably better in Latin languages than the
non-Latin languages due to several factors like multiple fonts, simplistic
vocabulary statistics, updated data generation tools, and writing systems. This
paper examines the possible reasons for low accuracy by comparing English
datasets with non-Latin languages. We compare various features like the size
(width and height) of the word images and word length statistics. Over the last
decade, generating synthetic datasets with powerful deep learning techniques
has tremendously improved scene-text recognition. Several controlled
experiments are performed on English, by varying the number of (i) fonts to
create the synthetic data and (ii) created word images. We discover that these
factors are critical for the scene-text recognition systems. The English
synthetic datasets utilize over 1400 fonts while Arabic and other non-Latin
datasets utilize less than 100 fonts for data generation. Since some of these
languages are a part of different regions, we garner additional fonts through a
region-based search to improve the scene-text recognition models in Arabic and
Devanagari. We improve the Word Recognition Rates (WRRs) on Arabic MLT-17 and
MLT-19 datasets by 24.54% and 2.32% compared to previous works or baselines. We
achieve WRR gains of 7.88% and 3.72% for IIIT-ILST and MLT-19 Devanagari
datasets.
- Abstract(参考訳): シーンテキスト認識は、複数のフォント、単純語彙統計、更新されたデータ生成ツール、書き起こしシステムといったいくつかの要因により、ラテン言語よりも著しく優れている。
本稿では、英語データセットと非ラテン語言語を比較して、低い精度の理由について検討する。
単語画像のサイズ(幅と高さ)や単語長の統計値など,様々な特徴を比較する。
過去10年間で、強力なディープラーニング技術を用いた合成データセットの生成は、シーンテキスト認識を大幅に改善した。
いくつかの制御された実験が 英語で行われます
(i)合成データを作成するためのフォント及び
(ii)単語画像の作成。
これらの要因がシーンテキスト認識システムにとって重要であることを見出した。
英語の合成データセットは1400以上のフォントを使用し、アラビア語や他の非ラテン語のデータセットはデータ生成に100未満のフォントを使用する。
これらの言語の一部は異なる地域の一部であるため、アラビア語とデバナガリ語のシーンテキスト認識モデルを改善するために、地域ベースの検索を通じて追加のフォントを収集する。
我々は、アラビア語のMLT-17およびMLT-19データセットにおける単語認識率(WRR)を、以前の作品やベースラインと比較して24.54%と2.32%改善する。
我々は IIIT-ILST と MLT-19 Devanagari データセットで WRR の上昇率 7.88% と 3.72% を達成する。
関連論文リスト
- IndicSTR12: A Dataset for Indic Scene Text Recognition [33.194567434881314]
本稿では、インドにおける最大かつ最も包括的な実データセットであるIndicSTR12を提案し、12の主要言語でのSTRパフォーマンスをベンチマークする。
提案されたデータセットのサイズと複雑さは、既存のラテン系同時代のデータセットに匹敵するものである。
データセットには、様々な自然のシーンから集められた27000以上のワードイメージが含まれており、各言語に1000以上のワードイメージがある。
論文 参考訳(メタデータ) (2024-03-12T18:14:48Z) - NusaWrites: Constructing High-Quality Corpora for Underrepresented and
Extremely Low-Resource Languages [54.808217147579036]
インドネシアの地方言語について事例研究を行う。
データセット構築におけるオンラインスクラップ,人文翻訳,および母語話者による段落作成の有効性を比較した。
本研究は,母語話者による段落作成によって生成されたデータセットが,語彙的多様性と文化的内容の点で優れた品質を示すことを示す。
論文 参考訳(メタデータ) (2023-09-19T14:42:33Z) - Improving Multimodal Datasets with Image Captioning [65.74736570293622]
生成したキャプションが非記述テキストによるWebスクラッピングデータポイントの有用性を高める方法について検討する。
DataComp の大規模字幕 (1.28B 画像テキストペア) を用いた実験により,合成テキストの限界について考察した。
論文 参考訳(メタデータ) (2023-07-19T17:47:12Z) - Romanization-based Large-scale Adaptation of Multilingual Language
Models [124.57923286144515]
大規模多言語事前学習言語モデル (mPLMs) は,NLPにおける多言語間移動のデファクトステートとなっている。
我々は、mPLMをローマン化および非ロマン化した14の低リソース言語コーパスに適用するためのデータとパラメータ効率の戦略を多数検討し、比較した。
以上の結果から, UROMAN をベースとしたトランスリテラルは,多くの言語で高い性能を達成できることがわかった。
論文 参考訳(メタデータ) (2023-04-18T09:58:34Z) - Learning to Speak from Text: Zero-Shot Multilingual Text-to-Speech with
Unsupervised Text Pretraining [65.30528567491984]
本稿では,対象言語に対するテキストのみのデータを用いたゼロショット多言語TS法を提案する。
テキストのみのデータを使用することで、低リソース言語向けのTSシステムの開発が可能になる。
評価の結果,文字誤り率が12%未満のゼロショットTSは,見当たらない言語では高い知能性を示した。
論文 参考訳(メタデータ) (2023-01-30T00:53:50Z) - A Benchmark and Dataset for Post-OCR text correction in Sanskrit [23.45279030301887]
サンスクリット語は古典言語であり、約3000万の写本がデジタル化に適合している。
我々は,30冊の書籍から約218,000文,150万語を含むOCR後テキスト修正データセットを作成した。
論文 参考訳(メタデータ) (2022-11-15T08:32:18Z) - Comprehensive Benchmark Datasets for Amharic Scene Text Detection and
Recognition [56.048783994698425]
Ethiopic/Amharicスクリプトはアフリカ最古の書記システムの一つで、東アフリカで少なくとも23の言語に対応している。
アムハラ語の表記体系である Abugida は282音節、15句の句読点、20の数字を持つ。
HUST-ART, HUST-AST, ABE, Tana という,自然界におけるアムハラ文字の検出と認識のための総合的な公開データセットを提示した。
論文 参考訳(メタデータ) (2022-03-23T03:19:35Z) - Transfer Learning for Scene Text Recognition in Indian Languages [27.609596088151644]
本研究では、英語から2つの共通言語へのディープシーンテキスト認識ネットワークのすべての層に対するトランスファー学習の能力について検討する。
インド語の単純な合成データセットへの英語モデルの移行は現実的ではないことを示す。
我々は,IIIT-ILSTおよびBanglaデータセットからHindi,Telugu,Marayalamデータセットのシーンテキスト認識のための新しいベンチマークを,MLT-17から設定した。
論文 参考訳(メタデータ) (2022-01-10T06:14:49Z) - Tamizhi-Net OCR: Creating A Quality Large Scale Tamil-Sinhala-English
Parallel Corpus Using Deep Learning Based Printed Character Recognition (PCR) [2.0305676256390934]
低リソース言語のほとんどは、実質的なモノリンガルコーパスを作成するために必要なリソースを持っていない。
これらの言語は政府の手続きでしばしば見られるが、主にレガシーフォントを含むポータブル文書フォーマット(PDF)の形式である。
これらの文書からテキストを抽出してモノリンガルコーパスを作成することは、レガシーフォントの使用とプリンタフレンドリーなエンコーディングのために困難である。
論文 参考訳(メタデータ) (2021-09-13T13:26:30Z) - AE TextSpotter: Learning Visual and Linguistic Representation for
Ambiguous Text Spotting [98.08853679310603]
本研究はAmbiguity Elimination Text Spotter(AE TextSpotter)という新しいテキストスポッターを提案する。
AE TextSpotterは、視覚的特徴と言語的特徴の両方を学び、テキスト検出の曖昧さを著しく低減する。
我々の知る限り、言語モデルを用いてテキスト検出を改善するのはこれが初めてである。
論文 参考訳(メタデータ) (2020-08-03T08:40:01Z) - Large Scale Font Independent Urdu Text Recognition System [1.5229257192293197]
フォントの異なる画像やビデオに印刷されたUrduのテキストを確実に認識できる自動化システムは存在しない。
我々は,256フォントの大規模データセットであるQaidaと,完全なUrdu辞書を開発した。
我々はまた、84.2%の精度でウルドゥー論理を認識できる畳み込みニューラルネットワーク(CNN)に基づく分類モデルを開発した。
論文 参考訳(メタデータ) (2020-05-14T06:57:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。