要約
本稿では、野外におけるテキスト検出および認識に向けたTransformerを用いた汎用的なエンドツーエンド型テキストスポットティングフレームワークであるTExt Spotting TRansformers（TESTR）を提案する。TESTRは、単一のエンコーダと二重デコーダを採用し、テキストボックスの制御点回帰と文字認識を統合的に処理する。既存の多くの研究とは異なり、本手法はROI（Region of Interest）操作やヒューリスティクスに基づく後処理手順に依存せず、特に従来のバウンディングボックス表現では適応が難しい曲線状のテキストボックスに対して特に有効である。本研究では、ベジェ曲線およびポリゴン形式のアノテーションを対象としたテキストインスタンスに適した制御点の標準表現を提示する。さらに、バウンディングボックスをガイドとして用いるポリゴン検出（box-to-polygon）プロセスを設計した。曲線および任意形状のテキストデータセットにおける実験結果から、提案手法TESTRが最先端の性能を達成することが示された。