要約
自然環境画像中の不規則なテキストの認識は、テキストの外観に大きな変動があるため、非常に困難です。この変動には曲線、向き、歪みなどが含まれます。既存の多くの手法は、複雑なモデル設計や追加の詳細なアノテーションに大きく依存しており、これらはアルゴリズムの実装やデータ収集の難易度を一定程度高めています。本研究では、市販のニューラルネットワークコンポーネントと単語レベルのアノテーションのみを使用して、不規則なシーンテキスト認識のための実装が容易な強力なベースラインを提案します。提案手法は31層のResNet、LSTMに基づくエンコーダー-デコーダーフレームワーク、および2次元注意モジュールから構成されています。そのシンプルさにもかかわらず、提案手法は堅牢であり、正規および不規則なシーンテキスト認識ベンチマークにおいて最先端の性能を達成しています。コードは以下のURLで入手可能です: https://tinyurl.com/ShowAttendRead