論文の概要: Embedding Rotation Invariance for Provable Multi-Oriented Scene Text Recognition
- arxiv url: http://arxiv.org/abs/2608.10684v1
- Date: Tue, 11 Aug 2026 09:06:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.971286
- Title: Embedding Rotation Invariance for Provable Multi-Oriented Scene Text Recognition
- Title（参考訳）: 確率的多目的シーン音声認識のための埋め込み回転不変性
- Abstract要約: 多目的テキストはシーンテキスト認識において大きな課題である。
既存の回転認識手法はテキストの向きを明示的に推定する。
これらの制限に対処するために、回転不変性をSTRフレームワークに組み込む。
- 参考スコア（独自算出の注目度）: 49.665177053925184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-oriented text is ubiquitous in real-world scenes and remains a major challenge for scene text recognition (STR). Existing rotation-aware methods explicitly estimate text orientation. However, due to the lack of theoretical guarantees, they are prone to error accumulation, increased computational cost, and strong reliance on data. In this work, we incorporate rotation invariance into the STR framework to address these limitations. Specifically, we adopt an encoder-decoder architecture, embedding rotation equivariance in the encoder and rotation invariance in the decoder to construct a fully rotation-invariant network. On the decoder side, we first identify and prove the rotation-invariant property of the cross-attention mechanism and use it to formulate a rotation-invariant text decoder that maps visual features to output text in a rotation-invariant manner. On the encoder side, we propose a rotation-equivariant local-global extraction network that integrates deep equivariant convolutions with self-attention, enabling rotation-equivariant feature extraction while modeling inter-character dependencies and preserving fine-grained visual details. By integrating the encoder and decoder, we obtain an end-to-end Rotation-Invariant Scene Text Recognition network (RISTER). RISTER provides rotation invariance with theoretical guarantees, enhancing robustness on multi-oriented samples without introducing additional inference computation or relying on data-driven orientation correction. Experiments show that RISTER achieves state-of-the-art performance on both standard and multi-oriented benchmarks, surpassing the second-best model by 4.0 percent in accuracy on the general multi-oriented dataset.
- Abstract（参考訳）: マルチ指向テキストは現実世界のシーンに広く普及しており、シーンテキスト認識(STR)では依然として大きな課題である。
既存の回転認識手法はテキストの向きを明示的に推定する。
しかし、理論的な保証がないため、エラーの蓄積、計算コストの増大、データへの強い依存の傾向にある。
本研究では、これらの制限に対処するために、回転不変性をSTRフレームワークに組み込む。
具体的には、エンコーダ-デコーダアーキテクチャ、エンコーダに回転同値を埋め込み、デコーダに回転不変性を組み込んで完全な回転不変ネットワークを構築する。
デコーダ側では、まずクロスアテンション機構の回転不変性を同定し、それを回転不変なテキストデコーダとして用いて、視覚特徴を回転不変な方法で出力する。
エンコーダ側では、深部等変畳み込みを自己注意と統合し、文字間の依存関係をモデル化し、きめ細かな視覚的詳細を保存しながら、回転等変特徴抽出を可能にする回転等変局所空間抽出ネットワークを提案する。
エンコーダとデコーダを統合することにより、エンドツーエンドの回転不変Scene Text Recognition Network (RISTER) を得る。
RISTERは、理論的な保証とともに回転不変性を提供し、追加の推論計算やデータ駆動の向き補正に頼ることなく、多目的サンプルの堅牢性を高める。
実験により、RISTERは標準およびマルチ指向ベンチマークの両方で最先端のパフォーマンスを達成し、一般的なマルチ指向データセットでは4.0の精度で第2ベットモデルを上回った。
関連論文リスト
- REDI-Match: Rotation-Equivariant Distillation for Efficient and Robust Dense Matching [9.492474203638965]
ヴィジョン・ファンデーション・モデル(VFM)は、非常に高度な特徴マッチングを持つが、飛行機内での激しい回転は重要な課題である。
Redi-Matchは、新しいRotation-Equivariant Distillation(REDI)パラダイムによって駆動される効率的なフレームワークである。
現在のSOTAよりも1.9倍高速に動作しながら、SatAstデータセットの13.89%の絶対的なポーズ精度の向上を実現している。
論文 参考訳（メタデータ） (2026-06-23T09:05:20Z) - Computing a Characteristic Orientation for Rotation-Independent Image Analysis [0.0]
General Intensity Direction (GID) はネットワークアーキテクチャを変更することなく回転ロバスト性を改善する前処理方式である。
空間構造を維持しながら画像を変換し、畳み込みネットワークと互換性を持つ。
回転MNISTデータセットの実験的評価により,提案手法は最先端の回転不変アーキテクチャよりも高い精度を達成できることが示された。
論文 参考訳（メタデータ） (2026-02-24T14:08:12Z) - Selective Rotary Position Embedding [84.22998043041198]
テキストインプットに依存した回転型埋め込み機構であるtextitSelective RoPE を導入する。
我々は,問合せキー対上で,これらの回転の隠れ形式を,ソフトマックスアテンションがすでに実行していることを示す。
入力依存回転が言語モデルの性能を向上させることを実証し, ゲートトランスフォーマーにtextitSelective RoPE を組み込むことにより, 本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-11-21T16:50:00Z) - Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。
本研究では, 回転同変ASISR法の構築に尽力する。
論文 参考訳（メタデータ） (2025-08-07T08:51:03Z) - RI-MAE: Rotation-Invariant Masked AutoEncoders for Self-Supervised Point Cloud Representation Learning [24.532566288697684]
マスク付きポイントモデリング手法は,最近,ポイントクラウドデータの自己教師付き学習において大きな成功を収めている。
これらの手法は回転に敏感であり、回転変動に遭遇するときにしばしば鋭い性能低下を示す。
本稿では,2つの課題に対処するために,回転不変マスク付きオートエンコーダ(RI-MAE)を提案する。
論文 参考訳（メタデータ） (2024-08-31T05:17:55Z) - PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。
既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。
高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:26:38Z) - Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。
本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。
我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
論文 参考訳（メタデータ） (2023-10-09T11:26:58Z) - Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。
本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
論文 参考訳（メタデータ） (2023-03-14T20:55:27Z) - SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness
Enhancement [118.20816888815658]
SPE-Netという名前の3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。
埋め込みSelective Position variant' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。
SPE-Netと関連する仮説の利点を4つのベンチマークで示し、SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。
論文 参考訳（メタデータ） (2022-11-15T15:59:09Z) - 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)
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。