Nov, 2023

DSText V2：针对密集细小文字的综合视频文字识别数据集

PDF
TL;DR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。
video text detectiontrackingrecognitiondstext v2challenges
发现论文，激发创造
  • 密集文本与小文本视频文本阅读比赛 (ICDAR 2023)

    本文描述了一项视频文本阅读基准（DSText），该基准专注于视频中具有挑战性的密集和小文本的阅读挑战，包括文本检测、跟踪和识别。

    Apr, 2023

  • 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

  • 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

  • CelebV-Text：一個大規模的人臉文字視頻數據集

    本文介绍了 CelebV-Text 数据集，这是一个大规模、多样化且高质量的面部文本 - 视频对数据集，旨在促进面部文本到视频生成任务的研究，通过综合统计分析视频、文本和文本视频相关性，证明了 CelebV-Text 数据集的优越性和潜力，并通过广泛的自我评估显示了 CelebV-Text 的有效性和潜力。

    Mar, 2023

  • 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

  • COCO-Text: 自然图像文本检测和识别数据集与基准

    本文介绍了 COCO-Text 数据集，该数据集基于 MS COCO 数据集，旨在推进自然图像的文本检测和识别。数据集中包含超过 173,000 个文本注释和超过 63,000 张图像，文本注释覆盖了文本的边界框、机器印刷文本和手写文本的分类、易读和难读文本的分类、文本的字体和可读文本的转录。本文还提供了数据集注释的准确性统计分析，并对三种最先进的光学字符识别方法在数据集上的表现进行了分析，结果表明文本检测和识别存在显著的不足，需要进一步研究。

    Jan, 2016

  • VimTS：用于增强跨领域泛化能力的统一视频和图像文本识别器

    通过集成多任务模型、合成视频文本数据集和学习时序信息，VimTS 模型在跨领域场景文本检测任务中展现出卓越的性能，并且相较于现有的大型多模态模型，所需参数和数据更为少。

    Apr, 2024

  • 文本无关视频生成的扩展方法

    通过使用无文本视频进行训练，研究表明，扩大训练集规模并重新引入部分文本标签，可以使基于扩散的文本到视频生成的性能得到提升和改进。

    Dec, 2023

  • 密集视频字幕：技术、数据集和评估协议综述

    使用 Dense Video Captioning (DVC) 技术，本文综述了在描述长视频时需要突出显示的相互关联事件、依赖关系、上下文、重叠事件、物体间的相互作用以及领域特定性等语义，同时讨论了 DVC 的子任务和它们的结果，涵盖视频特征提取、时间事件定位和密集字幕生成，还探讨了 DVC 所使用的数据集以及领域中的新挑战和未来趋势。

    Nov, 2023

  • Total-Text: 一份全面的用于场景文本检测和识别的数据集

    该研究论文主要介绍了一个新的数据集 Total-Text，该数据集包括水平、多向和曲线方向的文本，旨在填补现有文本数据集对于曲线文字方向的空缺，并对该数据集进行了基于 DeconvNet 的曲线文字检测方法的评估。

    Oct, 2017