変圧器によるエンドツーエンドビデオテキストスポッティング【JST・京大機械翻訳】

Wu Weijia; Cai Yuanqiang; Shen Chunhua; Zhang Debing; Fu Ying; Zhou Hong; Luo Ping

プレプリント

J-GLOBAL ID：202202213584644743 整理番号：22P0307189

変圧器によるエンドツーエンドビデオテキストスポッティング【JST・京大機械翻訳】

End-to-End Video Text Spotting with Transformer

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月20日プレプリントサーバーでの情報更新日： 2022年08月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最近のビデオテキストスポッティング法は,通常3段階パイプライン,即ち,個々の画像におけるテキストの検出,局所テキストの認識,後処理によるテキストストリームの追跡,最終結果を生成するための後処理を必要とする。これらの方法は,典型的には,追跡ごとのパラダイムに従い,洗練されたパイプラインを開発する。本論文では,変換器シーケンスモデリングにおいて,単純だが効果的なエンドツーエンドビデオテキストDEtection,トラッキング,および認識フレームワーク(TransDETR)を提案した。トランスDETRは主に2つの利点を含む。1)隣接フレームにおける明示的マッチパラダイムと異なり,トランスDETRトラックは,長範囲時間シーケンス(7フレーム以上)にわたってテキストクエリと呼ばれる異なるクエリによって暗黙的に各テキストを認識する。2)トランスDETRは,3つのサブタスク(例えば,テキスト検出,トラッキング,認識)を同時に扱う最初のエンドツーエンド訓練可能なビデオテキストスポッティングフレームワークである。4つのビデオテキストデータセット(即ち,ICDAR2013ビデオ,ICDAR2015ビデオ,Minetto,およびYouTubeビデオText)における広範な実験を行い,TransDETRがビデオテキストスポットタスクにおいて約8.0%の改善まで最先端の性能を達成することを実証した。トランスDETRのコードは,https://github.com/weijiawu/TransDETRで見つけることができる。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

前のページに戻る