Fugu-MT 論文翻訳(概要): General Detection-based Text Line Recognition

論文の概要: General Detection-based Text Line Recognition

arxiv url: http://arxiv.org/abs/2409.17095v1
Date: Wed, 25 Sep 2024 17:05:55 GMT
ステータス: 処理完了
システム内更新日: 2024-09-27 02:44:18.314611
Title: General Detection-based Text Line Recognition
Title（参考訳）: 一般検出に基づくテキストライン認識
Authors: Raphael Baena, Syrine Kalleli, Mathieu Aubry,
Abstract要約: 我々は、テキスト行認識に対する一般的な検出に基づくアプローチを、印刷(OCR)や手書き(HTR)として導入する。我々の手法は、自己回帰復号に依存する最先端のHTR手法とは全く異なるパラダイムに基づいている。我々は、CASIA v2データセット上での中国語スクリプト認識と、BorgおよびCopialeデータセット上での暗号認識の最先端性能を改善した。
参考スコア（独自算出の注目度）: 15.761142324480165
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a general detection-based approach to text line recognition, be it printed (OCR) or handwritten (HTR), with Latin, Chinese, or ciphered characters. Detection-based approaches have until now been largely discarded for HTR because reading characters separately is often challenging, and character-level annotation is difficult and expensive. We overcome these challenges thanks to three main insights: (i) synthetic pre-training with sufficiently diverse data enables learning reasonable character localization for any script; (ii) modern transformer-based detectors can jointly detect a large number of instances, and, if trained with an adequate masking strategy, leverage consistency between the different detections; (iii) once a pre-trained detection model with approximate character localization is available, it is possible to fine-tune it with line-level annotation on real data, even with a different alphabet. Our approach, dubbed DTLR, builds on a completely different paradigm than state-of-the-art HTR methods, which rely on autoregressive decoding, predicting character values one by one, while we treat a complete line in parallel. Remarkably, we demonstrate good performance on a large range of scripts, usually tackled with specialized approaches. In particular, we improve state-of-the-art performances for Chinese script recognition on the CASIA v2 dataset, and for cipher recognition on the Borg and Copiale datasets. Our code and models are available at https://github.com/raphael-baena/DTLR.
Abstract（参考訳）: テキスト行認識に対する一般的な検出に基づくアプローチとして,テキスト行認識 (OCR) や手書き文字 (HTR) をラテン文字,中国語文字,暗号文字を用いて導入する。文字を個別に読むことはしばしば困難であり、文字レベルのアノテーションは困難で高価である。 3つの主要な洞察のおかげで、これらの課題を克服しました。一十分な多種多様なデータによる合成事前学習により、任意のスクリプトに対して合理的な文字ローカライゼーションを学習することができること。二現代の変圧器を用いた検出器は、多数のインスタンスを共同で検出することができ、適切なマスキング戦略で訓練した場合、異なる検出間の整合性を利用することができる。 (iii) 文字ローカライゼーションを近似した事前学習検出モデルが利用可能になると, 実データに行レベルのアノテーションを付加した微調整が可能である。 DTLRと呼ばれる我々の手法は、完全行を並列に処理しながら、自動回帰デコード、文字値を1つずつ予測する、最先端のHTRメソッドとは全く異なるパラダイムに基づいている。注目すべきは、幅広いスクリプトで優れたパフォーマンスを示し、通常は特殊なアプローチに取り組みます。特に、CASIA v2データセット上での中国語スクリプト認識と、BorgおよびCopialeデータセット上での暗号認識の最先端性能を改善した。私たちのコードとモデルはhttps://github.com/raphael-baena/DTLR.comで公開されています。

関連論文リスト

Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
論文参考訳（メタデータ） (2024-10-04T18:42:09Z)
Efficiently Leveraging Linguistic Priors for Scene Text Spotting [63.22351047545888]
本稿では,大規模テキストコーパスから言語知識を活用する手法を提案する。シーンテキストデータセットとよく一致したテキスト分布を生成し、ドメイン内の微調整の必要性を取り除く。実験結果から,本手法は認識精度を向上するだけでなく,単語のより正確な局所化を可能にすることが示された。
論文参考訳（メタデータ） (2024-02-27T01:57:09Z)
Character Queries: A Transformer-based Approach to On-Line Handwritten Character Segmentation [4.128716153761773]
本稿では,文字分割が代入問題となる場合に,事前に書き起こしが知られているシナリオに焦点を当てる。 k$-meansクラスタリングアルゴリズムにヒントを得て、クラスタ割り当ての観点から見た上で、Transformerベースのアーキテクチャを提示する。提案手法の質を評価するために,2つの有名なオンライン手書きデータセットに対して,文字分割基底真理を生成する。
論文参考訳（メタデータ） (2023-09-06T15:19:04Z)
Context Perception Parallel Decoder for Scene Text Recognition [52.620841341333524]
シーンテキスト認識手法は高い精度と高速な推論速度を達成するのに苦労している。本稿では、STRにおけるARデコーディングの実証的研究を行い、ARデコーダが言語文脈をモデル化するだけでなく、視覚的文脈知覚のガイダンスも提供することを明らかにする。我々は一連のCPPDモデルを構築し、提案したモジュールを既存のSTRデコーダにプラグインする。英語と中国語のベンチマーク実験により、CPPDモデルはARベースモデルよりも約8倍高速に動作し、高い競争精度を達成できることを示した。
論文参考訳（メタデータ） (2023-07-23T09:04:13Z)
Lexically Aware Semi-Supervised Learning for OCR Post-Correction [90.54336622024299]
世界中の多くの言語における既存の言語データの多くは、非デジタル化された書籍や文書に閉じ込められている。従来の研究は、あまり良くない言語を認識するためのニューラル・ポスト・コレクション法の有用性を実証してきた。そこで本研究では,生画像を利用した半教師付き学習手法を提案する。
論文参考訳（メタデータ） (2021-11-04T04:39:02Z)
Rethinking Text Line Recognition Models [57.47147190119394]
2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
論文参考訳（メタデータ） (2021-04-15T21:43:13Z)
A Multiplexed Network for End-to-End, Multilingual OCR [20.818532124822713]
単語レベルでスクリプト識別を行い,異なる認識ヘッドで異なるスクリプトを処理するE2Eアプローチ,Multiplexed Multilingual Mask TextSpotterを提案する。実験の結果,本手法は終端認識タスクにおいて,パラメータ数に類似した単一ヘッドモデルよりも優れていた。私たちは、エンドツーエンドのトレーニング可能でスケーラブルな多言語多目的OCRシステムへの一歩だと信じています。
論文参考訳（メタデータ） (2021-03-29T23:53:49Z)
OrigamiNet: Weakly-Supervised, Segmentation-Free, One-Step, Full Page Text Recognition by learning to unfold [6.09170287691728]
セグメンテーションフリーのシングルライン認識からセグメンテーションフリーのマルチライン/フルページ認識へ進む。我々は、CTCで訓練された完全畳み込み単行文字認識装置を拡張可能な、新しいシンプルなニューラルネットワークモジュール、textbfOrigamiNetを提案する。 IAM と ICDAR 2017 の HTR ベンチマークでは,手書き文字認識の精度が他のすべての手法を上回り,最先端の文字誤り率を実現している。
論文参考訳（メタデータ） (2020-06-12T22:18:02Z)
TextScanner: Reading Characters in Order for Robust Scene Text Recognition [60.04267660533966]
TextScannerはシーンテキスト認識の代替手法である。文字クラス、位置、順序に対する画素単位のマルチチャネルセグメンテーションマップを生成する。また、コンテキストモデリングにRNNを採用し、文字の位置とクラスを並列で予測する。
論文参考訳（メタデータ） (2019-12-28T07:52:00Z)

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。