論文の概要: Towards Unified Scene Text Spotting based on Sequence Generation

• arxiv url: http://arxiv.org/abs/2304.03435v1
• Date: Fri, 7 Apr 2023 01:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 13:11:27.501989
• Title: Towards Unified Scene Text Spotting based on Sequence Generation
• Title（参考訳）: シーケンス生成に基づく統一的なシーンテキストスポッティング
• Authors: Taeho Kil, Seonghyeon Kim, Sukmin Seo, Yoonsik Kim, Daehee Kim
• Abstract要約: UNIfied scene Text Spotter(UNITS)を提案する。 我々のモデルは四角形や多角形を含む様々な検出形式を統一する。 任意の開始点からテキストを抽出するために、開始点プロンプトを適用する。
• 参考スコア（独自算出の注目度）: 4.437335677401287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequence generation models have recently made significant progress in unifying various vision tasks. Although some auto-regressive models have demonstrated promising results in end-to-end text spotting, they use specific detection formats while ignoring various text shapes and are limited in the maximum number of text instances that can be detected. To overcome these limitations, we propose a UNIfied scene Text Spotter, called UNITS. Our model unifies various detection formats, including quadrilaterals and polygons, allowing it to detect text in arbitrary shapes. Additionally, we apply starting-point prompting to enable the model to extract texts from an arbitrary starting point, thereby extracting more texts beyond the number of instances it was trained on. Experimental results demonstrate that our method achieves competitive performance compared to state-of-the-art methods. Further analysis shows that UNITS can extract a larger number of texts than it was trained on. We provide the code for our method at https://github.com/clovaai/units.
• Abstract（参考訳）: シーケンス生成モデルは近年、様々な視覚タスクの統合において大きな進歩を遂げている。 いくつかの自動回帰モデルは、エンドツーエンドのテキストスポッティングにおいて有望な結果を示しているが、様々なテキスト形式を無視しながら特定の検出フォーマットを使用し、検出可能なテキストインスタンスの最大数を制限する。 これらの制限を克服するために,UNITS と呼ばれる UNIfied scene Text Spotter を提案する。 我々のモデルは四角形や多角形を含む様々な検出形式を統一し、任意の形状のテキストを検出できる。 さらに、モデルが任意の開始点からテキストを抽出するために開始点プロンプトを適用し、トレーニングしたインスタンス数以上のテキストを抽出する。 実験により,本手法は最先端手法と比較して競争性能が向上することを示した。 さらに分析した結果、UNITSはトレーニングされたテキストよりも多くのテキストを抽出できることがわかった。 私たちはメソッドのコードをhttps://github.com/clovaai/unitsで提供します。

関連論文リスト

• Enhancing Scene Text Detectors with Realistic Text Image Synthesis Using Diffusion Models [63.99110667987318]
  DiffTextは、前景のテキストと背景の本質的な特徴をシームレスにブレンドするパイプラインです。 テキストインスタンスが少なくなると、生成したテキストイメージはテキスト検出を支援する他の合成データを一貫して上回ります。
  論文  参考訳（メタデータ） (2023-11-28T06:51:28Z)
• Copy Is All You Need [66.00852205068327]
  既存のテキストコレクションからテキストセグメントを段階的にコピーするテキスト生成を定式化する。 提案手法は, 自動評価と人的評価の両方により, より優れた生成品質を実現する。 当社のアプローチでは,より大規模なテキストコレクションにスケールアップすることで,さらなるパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-07-13T05:03:26Z)
• DPText-DETR: Towards Better Scene Text Detection with Dynamic Points in Transformer [94.35116535588332]
  ポリゴン点やベジエ曲線制御点を予測してテキストをローカライズするトランスフォーマーベースの手法は、シーンテキストの検出で非常に人気がある。 しかし、使用点ラベル形式は、トランスフォーマーモデルの堅牢性に影響を与える人間の読み順を意味する。 本稿では,DPText-DETRを提案する。これはクエリとしてポイント座標を直接使用し,デコーダ層間で動的に更新する。
  論文  参考訳（メタデータ） (2022-07-10T15:45:16Z)
• Few Could Be Better Than All: Feature Sampling and Grouping for Scene Text Detection [47.820683360286786]
  本稿では,シーンテキスト検出のためのトランスフォーマーアーキテクチャを提案する。 まず、フォアグラウンドテキストに非常に関係のある、あらゆるスケールでいくつかの代表的特徴を選択します。 各特徴群がテキストインスタンスに対応するため、そのバウンディングボックスは後処理操作なしで容易に得ることができる。
  論文  参考訳（メタデータ） (2022-03-29T04:02:31Z)
• Towards End-to-End Unified Scene Text Detection and Layout Analysis [60.68100769639923]
  本稿では,シーンテキストの検出とレイアウト解析を統合化するタスクについて紹介する。 この新たな研究課題を実現するために、最初の階層的なシーンテキストデータセットが導入された。 また,シーンテキストを同時に検出し,テキストクラスタを統一的に形成する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T23:35:45Z)
• DEER: Detection-agnostic End-to-End Recognizer for Scene Text Spotting [11.705454066278898]
  本稿では,新しい検出非依存のエンド・ツー・エンド認識フレームワークDEERを提案する。 提案手法は,検出モジュールと認識モジュール間の密接な依存関係を低減する。 通常のテキストスポッティングベンチマークと任意の形のテキストスポッティングベンチマークで競合する結果を得る。
  論文  参考訳（メタデータ） (2022-03-10T02:41:05Z)
• SPTS: Single-Point Text Spotting [128.52900104146028]
  トレーニングシーンのテキストスポッティングモデルは,インスタンスごとの単一点の極めて低コストなアノテーションによって実現可能であることを示す。 本稿では,シーンテキストスポッティングをシーケンス予測タスクとするエンドツーエンドのシーンテキストスポッティング手法を提案する。
  論文  参考訳（メタデータ） (2021-12-15T06:44:21Z)
• Video Text Tracking With a Spatio-Temporal Complementary Model [46.99051486905713]
  テキストトラッキングは、ビデオ内の複数のテキストを追跡し、各テキストの軌跡を構築することである。 既存の手法は、トラッキング・バイ・ディテククション・フレームワークを利用する。 我々は、このパラダイムの追跡精度がより複雑なシナリオで著しく制限されていると論じる。
  論文  参考訳（メタデータ） (2021-11-09T08:23:06Z)
• Which and Where to Focus: A Simple yet Accurate Framework for Arbitrary-Shaped Nearby Text Detection in Scene Images [8.180563824325086]
  そこで本研究では,任意の形状の近接するシーンテキスト検出のための簡易かつ効果的な手法を提案する。 OMTS(One-to-Many Training Scheme)は、混乱を排除し、提案がより適切な基盤構造を学べるように設計されている。 また,提案提案に対してより効果的な機能を利用するために,提案機能注意モジュール(PFAM)を提案する。
  論文  参考訳（メタデータ） (2021-09-08T06:25:37Z)
• Scene Text Detection with Scribble Lines [59.698806258671105]
  テキスト検出のための多角形の代わりにスクリブル線でテキストをアノテートすることを提案する。 さまざまな形状のテキストの一般的なラベリング方法であり、ラベリングコストが低くなります。 実験の結果,提案手法は弱ラベル法と元のポリゴン系ラベリング法との間の性能ギャップを橋渡しすることを示した。
  論文  参考訳（メタデータ） (2020-12-09T13:14:53Z)

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。