大規模な視覚的フォント認識

本稿は、画像や写真内のテキストのフォント種別、太さ、傾きを、コンテンツの知識を一切用いずに自動的に識別する大規模視覚的フォント認識（Visual Font Recognition: VFR）問題に取り組む。視覚的フォント認識は多くの実用的応用が期待される一方で、コンピュータビジョン分野においては長らく無視されてきた。VFR問題に対処するため、2,420種類のフォントを含む大規模なデータセットを構築した。このデータセットの規模は、コンピュータビジョンにおける多数の画像分類データセットをはるかに上回る。フォント認識は本質的に動的かつオープンエンドな性質を有しており、時間とともに新たなクラスや既存カテゴリのデータが継続的に追加されるため、最近傍クラス平均分類器（Nearest Class Mean classifier: NCM）に基づくスケーラブルな解決策を提案する。本研究のコアアルゴリズムは、局所特徴埋め込み、局所特徴のメトリクス学習、マックスマージンテンプレート選択を組み合わせており、NCMに自然に適合する構造を持つため、このようなオープンエンドな分類問題に対しても適している。新アルゴリズムは、新たなクラスや新たなデータに対して、ほとんど追加コストをかけずに一般化可能である。広範な実験により、合成画像において本手法が非常に有効であることが示され、実世界の画像においても有望な結果を達成している。