論文の概要: Out-of-Length Scene Text Recognition: A Two-Axis Diagnosis and a Training-Free Fix

• arxiv url: http://arxiv.org/abs/2607.23194v1
• Date: Sat, 25 Jul 2026 13:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.025302
• Title: Out-of-Length Scene Text Recognition: A Two-Axis Diagnosis and a Training-Free Fix
• Title（参考訳）: アウトオブロングシーンのテキスト認識:2軸診断と無訓練修正
• Abstract要約: シーンテキスト認識モデルは、少なくとも25文字の単語の作物にのみ訓練される。 この論文はその失敗を診断し、それを閉じます。 我々は診断ハーネスと実装をリリースする。
• 参考スコア（独自算出の注目度）: 0.3437656066916039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scene Text Recognition (STR) models are trained almost exclusively on word crops of at most 25 characters, yet real deployments (signage, product labels, dense captions) require reading much longer text. This paper diagnoses that failure and then closes it. The diagnosis separates out-of-length failure into two simultaneously extrapolating axes (the encoder's width axis and the decoder's time axis) and shows that encoder width, not decoder length, is the dominant failure mode. Representation-side fixes bring only partial relief: training-free rotary rescalings recover at most 2-4 points of character error rate (CER), and a weighted fine-tuning recipe recovers 6-8 points while improving standard-benchmark accuracy, yet word accuracy on the Long Text Benchmark (LTB) stays near zero, because the residual gap lies in the decoding mechanism rather than the representation. We then close that gap at inference time, on an unmodified word-level checkpoint: the long image is sliced into overlapping crops at the model's training width, each decoded independently and in-distribution, and the reads stitched by geometry-anchored edit-distance alignment. This procedure reaches 42.79-43.05% bucket-average word accuracy on LTB across two base checkpoints, matching the published state of the art (41.57%) and beating it by 11-12 points on the hardest bucket, at wall-clock parity with plain decoding; applied unchanged to the public PARSeq checkpoint it reaches 47.11%. Once chunking is applied fine-tuning no longer helps: the decoding-side fix alone matches purpose-built architectures. We release the diagnosis harness and implementation.
• Abstract（参考訳）: Scene Text Recognition (STR) モデルは、少なくとも25文字のワードクロップにのみ訓練されているが、実際の展開(記号、製品ラベル、密度の高いキャプション)は、より長いテキストを読む必要がある。 この論文はその失敗を診断し、それを閉じます。 診断は、長さ外故障を2つの同時に外挿する軸(エンコーダの幅軸とデコーダの時間軸)に分け、デコーダの長さではなくエンコーダの幅が支配的な故障モードであることを示す。 トレーニングなしのロータリーリスケーリングは、文字誤り率(CER)の最大2-4ポイントを回復し、重み付けされた微調整レシピは、標準的なベンチマーク精度を改善しながら6-8ポイントを回復するが、Long Text Benchmark(LTB)の単語精度は、表現よりも復号機構に残差があるため、ゼロに近い。 長い画像はモデルのトレーニング幅で重なり合う作物に分割され、それぞれが独立にデコードされ、分配され、ジオメトリアンカレートされた編集距離アライメントによって縫合される。 この手順は、2つのベースチェックポイントで平均42.79-43.05%のバケット平均語精度に達し、発行された最先端の41.57%と一致し、最も硬いバケットの11-12ポイントを、平易な復号と共に壁面のパリティで打ち負かし、パブリックなPARSeqチェックポイントに変化せず47.11%に達する。 チャンキングが適用されれば、微調整はもはや役に立たない。デコード側の修正だけでは、目的のアーキテクチャと一致します。 我々は診断ハーネスと実装をリリースする。

関連論文リスト

• Can Scene Text Recognition Read Rare Compositions? [1.7844382164707184]
  6つの標準ベンチマークにおいて、シーンテキスト認識は89-97%正確であると報告され、その問題が飽和として広く扱われている。 私たちは代替の読書を提示する。 同じテスト画像が、基準コーパスに対して、接地的単語の規則性と文字n-gramの新規性によって共同で成層されると、結果の5x5グリッドのレアワードxレアトリグラムコーナーでの精度は、q3/q3センタより10〜18pt下方に低下する。
  論文  参考訳（メタデータ） (2026-09-01T07:16:42Z)
• Confidence-Aware Ensemble and Long-Word Refinement for Artistic Text Recognition [0.6303112417588329]
  アートテキスト認識(ATR)は、装飾的なフォント、湾曲したレイアウト、オブジェクトのような文字、散らかし、激しい歪みを言葉画像で組み合わせることがしばしばあるため、依然として困難である。 本稿では,この設定の標準化ベンチマークとしてWordArt-V1.5について検討し,最近のシーンおよび芸術的テキスト認識器を共通プロトコルで評価する。 本稿では, SVTRv2, PARSeq, MAERecを公式トレーニングスプリットの微調整後に組み合わせた自信認識アンサンブルを提案する。
  論文  参考訳（メタデータ） (2026-08-30T18:56:04Z)
• Semantic Drift in Bug Resolution: How Behavioral Signals Propagate from Reports to Tests and Patches [18.727291516223115]
  Desc2Fixは、バグレポートのセマンティックアライメント、テストのトリガー、開発者による修正を測定するフレームワークである。 GPT-4o と DeepSeek-Chat を用いて,Defects4J と SWT-Bench の2,857 個のレポート・パッチを解析した。
  論文  参考訳（メタデータ） (2026-07-20T22:32:23Z)
• FastOCR: Dynamic Visual Fixation via KV Cache Pruning for Efficient Document Parsing [51.905216364362325]
  我々は2つの相補的なモジュールを持つトレーニングフリーフレームワークであるFastOCRを提案する。 FastOCRは未実行モデルの精度の98%を保持し、デコードステップあたりの視覚トークンの5%にしか到達しない。
  論文  参考訳（メタデータ） (2026-05-17T13:39:47Z)
• Enhancing IMU-Based Online Handwriting Recognition via Contrastive Learning with Zero Inference Overhead [4.519836503888727]
  推論コストを増大させることなく特徴表現と認識精度を向上させるためのトレーニングフレームワークを提案する。 ECHWRは、トレーニングフェーズ中にセンサー信号とセマンティックテキストの埋め込みを整列する一時的な補助ブランチを使用する。 OnHW-Words500データセットの評価によると、ECHWRは最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-04T13:44:54Z)
• 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)
• SoftCorrect: Error Correction with Soft Detection for Automatic Speech Recognition [116.31926128970585]
  我々は,明示的かつ暗黙的な誤り検出の限界を回避するため,ソフトエラー検出機構を備えたSoftCorrectを提案する。 暗黙的な誤り検出とCTC損失と比較すると、SoftCorrectはどの単語が誤りであるかを明示的な信号を提供する。 AISHELL-1とAidatatangデータセットの実験では、SoftCorrectはそれぞれ26.1%と9.4%のCER削減を達成した。
  論文  参考訳（メタデータ） (2022-12-02T09:11:32Z)
• A Comprehensive Handwritten Paragraph Text Recognition System: LexiconNet [3.9097549127191473]
  我々は,手書き文字認識の文献から,最先端の2つの手法を用いた効率的な手順を提示した。 アテンションモジュールは内部の行セグメンテーションに責任を持ち、結果としてページを行単位で処理する。 復号化ステップでは、時間的分類に基づく単語ビーム検索デコーダを後処理ステップとして追加した。
  論文  参考訳（メタデータ） (2022-05-23T03:35:45Z)
• I2C2W: Image-to-Character-to-Word Transformers for Accurate Scene Text Recognition [68.95544645458882]
  本稿では,シーンの様々なノイズに対して正確かつ耐性のある新しいシーンテキスト認識装置I2C2Wについて述べる。 i2c2wはイメージ・ツー・キャラクタモジュール(i2c)と文字・ワードモジュール(c2w)から構成される。
  論文  参考訳（メタデータ） (2021-05-18T09:20:58Z)
• 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)
• Boosting Continuous Sign Language Recognition via Cross Modality Augmentation [135.30357113518127]
  連続手話認識は不整合のビデオテキストペアを扱う。 クロスモーダル拡張を用いた新しいアーキテクチャを提案する。 提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-10-11T15:07:50Z)
• Scene Text Recognition With Finer Grid Rectification [6.598317412802175]
  本稿では、より微細な修正モジュールと双方向の注意認識ネットワーク(Firbarn)から構成されるエンドツーエンドのトレーニング可能なモデルを提案する。 標準ベンチマークでの広範な評価の結果は、Firbarnの以前の業績、特に不規則なデータセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-01-26T02:40:11Z)

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。