論文の概要: Back-Tracking from Clarity: Self-Learning to See Text from Afar

• arxiv url: http://arxiv.org/abs/2609.32477v1
• Date: Sat, 26 Sep 2026 11:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:47:22.739251
• Title: Back-Tracking from Clarity: Self-Learning to See Text from Afar
• Title（参考訳）: 明快さからバックトラック:遠方からテキストを見るための自己学習
• Abstract要約: 本研究では,シーンテキスト検出能力を高めるための自己教師型フレームワークを提案する。 我々のフレームワークは、様々な場面や言語で早期検出精度と堅牢性を著しく改善する。
• 参考スコア（独自算出の注目度）: 24.59419890877709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a self-supervised framework designed to enhance the capability of scene text detectors in identifying and recognizing text in scenarios where instances are shown at significant distances, typically small, blurred, and frequently missed by conventional models. Our approach leverages the high-fidelity performance of existing text spotting models on large, clear text as a foundational supervisor. By temporally back-tracking these high-confidence detections through video sequences, we automatically synthesize pseudo-labels for preceding frames where the distant text is still visually degraded or undersized. These pseudo-labels enable training a student model specialized for early text detection, without requiring any manual annotation. The success of this approach depends on accurate pseudo-label generation, for which we develop a dedicated scene text tracker capable of maintaining consistent text identities across challenging video sequences. In addition, we propose SceneText50, a diverse multilingual outdoor dataset to facilitate training and evaluation. Experiments show that our framework significantly improves early detection accuracy and robustness across varied scenes and languages. Code and data are at \href{https://github.com/trid2912/BackTrackingText}{https://github.com/trid2912/BackTrackingText}.
• Abstract（参考訳）: そこで本研究では,従来型モデルでは欠落が多かった,小さい,ぼやけた,あるいは頻繁に現れるようなシナリオにおいて,テキストの識別・認識におけるシーンテキスト検出機能の向上を目的とした自己教師型フレームワークを提案する。 提案手法は,既存のテキストスポッティングモデルの高忠実度性能を基礎的スーパーバイザとして,大規模で明瞭なテキスト上で活用する。 ビデオシーケンスによる高信頼度検出の時間的バックトラックにより、遠方のテキストがまだ視覚的に劣化している、あるいは小さくなっているフレームの擬似ラベルを自動的に合成する。 これらの擬似ラベルは、手動のアノテーションを必要とせずに、早期テキスト検出に特化した学生モデルを訓練することができる。 このアプローチの成功は、課題のあるビデオシーケンスをまたいで一貫したテキストIDを維持できる専用のシーンテキストトラッカーを開発するための、正確な擬似ラベル生成に依存する。 さらに,学習と評価を容易にする多言語屋外データセットであるSceneText50を提案する。 実験により,本フレームワークは様々な場面や言語における早期検出精度とロバスト性を大幅に向上することが示された。 コードとデータは \href{https://github.com/trid2912/BackTrackingText}{https://github.com/trid2912/BackTrackingText} にある。

関連論文リスト

• TextBlockV2: Towards Precise-Detection-Free Scene Text Spotting with Pre-trained Language Model [17.77384627944455]
  既存のシーンテキストスポッターは、画像からテキストを見つけて書き起こすように設計されている。 提案するシーンテキストスポッターは、高度なPLMを活用して、きめ細かい検出を行うことなく性能を向上させる。 PLMベースの認識モジュールは、事前学習期間中に得られた包括的な言語知識から恩恵を受け、複雑なシナリオを効果的に処理する。
  論文  参考訳（メタデータ） (2024-03-15T06:38:25Z)
• 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)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• 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)
• 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)
• 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。