Aug, 2023

关键词检测简化：采用字符计数和 CTC 重新评分的无分割方法

PDF
TL;DR最近的无分割关键词检测的研究寻求在对象检测范式中解决这一问题，并借鉴最先进的检测系统，同时提出了一个词边界框提议机制和计算相应表示。与依赖复杂和庞大的深度神经网络模型的方法相反，我们提出了一种新颖的无分割系统，通过自动学习的比例图在文档图像上高效地扫描以找到包含查询信息的矩形区域。该底层模型简单而紧凑，通过对字级别注释图像进行训练，预测矩形区域上的字符出现。通过积分图和二分搜索以经济高效的方式执行所提出的文档扫描。最后，通过金字塔表示和基于 CTC 的重新评分算法来完善字符计数的检索相似性，充分利用训练好的卷积神经网络模型。对两个广泛使用的数据集进行的实验证实表明，尽管底层模型简单，我们的方法实现了最先进的结果，超过了更复杂的替代方案。
发现论文，激发创造
  • 使用基于字符级递归神经网络实现的在线关键词检测

    本文提出了一种基于字符级递归神经网络（RNN）的上下文感知关键词检测模型，用于连续语音中的口语项检测，通过端到端训练生成字符和单词边界标签的概率。该模型无需音标转录、Senone 建模或系统词典，可以通过编辑基于文本的关键词列表轻松添加和修改关键词，而无需重新训练 RNN。此外，单向 RNN 处理无限长度的输入音频流，无需预分段，在话语结束前就可以低延迟地检测到关键词。实验结果表明，所提出的关键词探测器比基于深度神经网络（DNN）和隐马尔可夫模型（HMM）的关键词填充器模型具有更好的性能，即使计算量更少。

    Dec, 2015

  • Neural Ctrl-F: 手写文稿集合中无分割查询字符串文字识别

    本文提出一种基于深度神经网络的模型，称为 Ctrl-F-Net，它同时生成区域提议并将其嵌入到分布式单词嵌入空间中，该模型用于历史手写文本的无分割查询，具有优异的性能。该方法在帮助历史学家在法庭记录中查找和计算与女性补给活动和劳动分工有关的特定单词方面具有广泛的实际应用价值。

    Mar, 2017

  • 基于字形双字母表索引的字符串词查询

    本文提出了一种无需分割的字符串查询识别方法，使用 PHOC 来对文档和查询字符串进行编码，并使用线性 SVM 进行学习，最终实现了一种基于字符双字母表的文档区域索引和积分图表示方法，并引入了一种重新排序的步骤来提高检索性能。该方法在单作者和多作者标准数据集上取得了最先进的结果。

    May, 2015

  • 手写汉字文本分割识别：一种无需分段注释的方法

    提出一种基于分割的方法以识别手写中文文本，使用简单而有效的完全卷积网络实现。使用一种新颖的弱监督学习方法，只需使用交录注释即可训练网络；无需先前分割方法所需的昂贵字符分割标注。因为完全卷积网络缺乏上下文建模，所以提出了一种上下文规则化方法将上下文信息纳入训练，进一步提高了识别性能。在四个广泛使用的基准测试上进行了广泛实验，即 CASIA-HWDB，CASIA-OLHWDB，ICDAR2013 和 SCUT-HCCDoc，结果表明我们的方法在在线和离线 HCTR 上都显著优于现有方法，并且比 CTC / 基于注意力的方法具有更高的推断速度。

    Jul, 2022

  • 基于 CTC 模型的印度语言 OCR 的实证研究

    该论文研究了用 CTC 建立神经网络模型的方法，将 13 种印度语言的文字识别单位定为行或单词，使用合成数据训练模型，对比公共 OCR 工具，提出了新的公共数据集 Mozhi，实现了在印度语言中进行单词和行识别的 OCR。

    May, 2022

  • 字符区域关注网络用于文本检测

    本研究将文本检测和识别模块融合，并采用基于注意力机制的解码器，通过利用角色评分图来更好地关注字符中心点，实现了一种紧密耦合的单管道模型，扩展了开放式直线和曲线基准数据集的最新性能。

    Jul, 2020

  • 文本检测的字符区域认知

    提出了一种使用神经网络 2 来检测场景文本的新方法，在字符级别推断文本区域，采用新的关联表示法来估算字符背景。通过使用合成图像的给定字符级别注释和学习的中间模型获得的真实图像的估计字符级别地面真实性，也解决了缺少单独字符级别注释的问题，在 6 个基准测试上广泛的实验中，包括在自然图像中包含高度曲线文本，如 TotalText 和 CTW-1500 数据集，证明了我们的字符级文本检测比最先进的探测器显着优越。根据结果，我们的方法保证了在检测复杂的场景文本图像（如任意定向，曲线或变形文本）方面具有高度的灵活性。

    Apr, 2019

  • CTC 对齐的音频文本嵌入与流式开放词汇关键词检测

    本文介绍了一种新颖的流式开放性词汇关键词定位方法，通过基于文本的关键词注册，在每个输入帧上使用连接主义时间分类（CTC）寻找以该帧结尾的最佳对齐，并聚合帧级声学嵌入（AE）以获得与目标关键词文本的文本嵌入（TE）对齐的更高级别（即字符、词或短语）的 AE，然后计算聚合 AE 与 TE 的相似度，取得了流媒体开放性词汇关键词定位的联合音频文本嵌入的最佳效果，尽管以流式方式操作，但我们的方法在 LibriPhrase 数据集上取得了竞争性的性能，仅使用了 155K 个模型参数和时间复杂度为 O (U) 的解码算法，其中 U 是推断时目标关键词的长度。

    Jun, 2024

  • WordSup：基于文字注释的基于字符的文本检测方法

    提出了一个弱监督框架，利用词的标注信息培训字符检测器，以及该框架在场景文本检测和数学表达式识别等多种场景下的应用。

    Aug, 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