Aug, 2019

一种端到端的视频文本检测器，具备在线跟踪功能

PDF
TL;DR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。
video text detectiondocument analysisconvlstmonline trackingappearance-geometry descriptor
发现论文，激发创造
  • You Only Recognize Once: 面向快速视频文本定位

    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）.

    Mar, 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

  • EAST: 一种高效准确的场景文本检测器

    本研究提出了一种简单而强大的场景文本检测流程，该流程可以直接预测全图中任意方向和四边形形状的单词或文本行，消除了不必要的中间步骤（例如候选聚合和单词划分），只需要一个神经网络进行操作，大大提升了检测的准确性和效率。

    Apr, 2017

  • 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

  • 高性能视频目标检测

    本文探讨了基于多帧端到端学习特征和帧间运动的统一方法，该方法扩展了之前的研究并引入了三个新技术来提高视频物体检测性能。

    Nov, 2017

  • 使用自然语言描述的实时视觉目标跟踪

    该研究提出一种利用自然语言描述的深度追踪器，通过使用 LSTM 跟踪器预测目标的更新，可以以每秒超过 30 帧的速度处理具有模糊语言注释的目标，展示出色的性能。

    Jul, 2019

  • 基于卷积递归神经网络的端到端文本定位

    该论文提出了一种基于卷积循环神经网络的统一网络，该网络可以同时定位和识别文本，通过端到端训练，提高了性能，在多个基准数据集上取得了竞争性的表现。

    Jul, 2017

  • 朝着无约束的端到端文本检测

    一项新的网络模型使用实例分割方法和注意力模型识别和提取曲线形状的文本内容，并使用多步光学字符识别引擎提高识别准确性，大幅度领先现有模型的准确性。

    Aug, 2019

  • 基于全卷积网络的多方向文本检测

    该研究提出了一种使用全卷积神经网络对自然图像中的文本进行检测的新方法，通过综合考虑本地和全局线索，以分层的方式定位文本线。通过组合显著地图和字符组件来估计文本行假设，并使用另一个卷积神经网络分类器预测每个字符的质心，以去除误判。该方法适用于处理多个方向、语言和字体的文本。在三个文本检测基准测试 MSRA-TD500、ICDAR2015 和 ICDAR2013 的性能方面，该方法实现了最先进的性能。

    Apr, 2016

  • 视频字幕、检索和问答的端到端概念词检测

    本文提出了一种高级概念词探测器，可以与任何语言生成模型集成。它以视频为输入，并生成一个概念词清单作为语言生成模型的有用语义先验。所提出的词探测器有两个重要特征。它不需要任何外部知识源进行训练；它可以与任何视频到语言模型联合进行端对端的训练。为了最大化检测到的词的价值，我们还开发了一种语义关注机制，它有选择性地聚焦于检测到的概念词，并将它们与语言模型中的词编码和译码融合。为了证明所提出的方法确实改善了多个视频到语言任务的性能，我们参与了 LSMDC 2016 的四个任务。我们的方法在其中三个任务中实现了最佳准确度，包括填空、多项选择测试和电影检索。我们还获得了其他任务（电影描述）的可比性能。

    Oct, 2016