Mar, 2019

You Only Recognize Once: 面向快速视频文本定位

PDF
TL;DR本文提出了一种快速且强健的视频文本识别框架，通过一次性识别局部文本，避免了针对每一帧的文本识别，使用文本推荐器从文本流中选择高质量文本并仅对其进行识别，大大加快了视频文本识别的速度，在公共基准测试中实现了显著的最先进效果，并推出了一个促进视频文本识别社区发展的数据集（LSVTD）.
video text spottingtext detectiontext recommenderlsvtdstate-of-the-art
发现论文，激发创造
  • 一种端到端的视频文本检测器，具备在线跟踪功能

    本文介绍一种基于 ConvLSTM 和在线跟踪的视频文本检测方法，将检测和跟踪的两个任务结合起来，提高了检测精度，降低了计算成本，并且实验表明该方法在 ICDAR2013 Video、Minetto 和 YVT 等数据集上均有极大的优势。

    Aug, 2019

  • 自然场景下端到端文本识别

    该研究提出了一种统一的网络，同时定位和识别文本，通过使用卷积特征和 $2$D 注意力模型实现对任意形状文本的鲁棒定位和识别，避免了中间过程，取得了包括正常及不规则文本在内的多个标准数据集的最佳表现。

    Jun, 2019

  • 使用 Transformer 进行端到端的视频文本识别

    本研究基于 Transformer 序列建模，提出了一个简单而有效的端到端视频文本识别框架 TransDETR，它能够同时处理文本检测、跟踪和识别，通过两个主要优点：1) 在长序列中使用文本查询跟踪和识别每个文本，2) 在四个视频文本数据集上验证 TransDETR 具有最先进的性能，其中视频文本识别任务性能提高了 8.0％左右。

    Mar, 2022

  • 可扩展视频文本定位的遮罩标注

    提出了一种基于可扩展的 SAMText 模型的可扩展的遮罩注释流程，用于视频文本定位，以解决现有数据集所具有的问题，并使用 SAMText 创建了一个包含 2400 个视频剪辑和超过 900 万个遮罩注释的大规模数据集，为该领域提供了新的研究机会。

    May, 2023

  • SwinTextSpotter: 基于更好的文本检测与识别协同的场景文本定位

    本文提出了一种使用 transformer encoding 的新型端到端场景文本识别框架，并通过一种新的识别转换机制，在不需要额外的矫正模块或字符级别注释的情况下显式地引导文本定位，从而使该方法在多种数据集上显著优于现有方法。

    Mar, 2022

  • GoMatching：基于长短期匹配的视频文字定位的简单基线

    在本文中，我们提出了一种名为 GoMatching 的简单基线方法，通过在跟踪任务中集中训练的努力来提高视频文本识别的性能，同时在图像文本识别任务上保持强大的性能表现。通过添加重新评分头和设计长短期匹配模块，GoMatching 在两个公共基准测试集上取得了令人印象深刻的性能。

    Jan, 2024

  • 使用卷积神经网络从自然场景中读取文本

    本研究介绍了一种基于卷积神经网络的端到端文本识别、图像检索系统，使用了一些新颖的深度学习技术实现文本定位、识别、筛选和排序，在多个基准测试数据集上获得了最先进的性能表现，并应用于新闻视频检索中。

    Dec, 2014

  • SPTS：单点文字定位

    提出了一种新的场景文本识别方法，使用单点标注替代昂贵的边界框标注，将场景文本定位和识别视为序列预测任务，并使用自回归 Transformer 模型预测序列，可达到最先进的识别效果。

    Dec, 2021

  • SwinTextSpotter v2：场景文字识别的协同优化

    SwinTextSpotter v2 是一个新的端到端场景文字识别框架，通过引入 Recognition Conversion 和 Recognition Alignment 模块来加强文本检测和识别之间的关系，从而在各种多语言基准测试中取得了最先进的性能。

    Jan, 2024

  • DSText V2：针对密集细小文字的综合视频文字识别数据集

    该研究提出了一个名为 DSText V2 的视频文本阅读基准，着重解决了视频中密集、小字体的阅读难题，并且包含了新的场景和任务，如视频文本检测、跟踪以及端到端视频文本定位。该文章还对数据集进行了详细的统计分析，并提供了洞察和分析针对该数据集中的三个独特挑战，旨在为研究人员带来新的见解。

    Nov, 2023