TextDragon：任意形状テキストスポットティングのためのエンドツーエンドフレームワーク

既存の多数のテキストスポットティング手法は、水平または方向付きテキストに焦点を当てているか、文字単位のアノテーションを用いて任意形状のテキストを検出するものである。本論文では、訓練に文字または行単位のアノテーションのみを用いて、任意形状のテキストをエンドツーエンドで検出および認識する新たなテキストスポットティングフレームワークを提案する。TextSnakeという名称に着想を得たが、TextSnakeは単なる検出モデルに過ぎないため、本手法を「TextDragon」と命名した。TextDragonでは、テキストの形状を連続する四角形の系列で表現するテキスト検出器を設計しており、任意形状のテキストに対応可能である。特徴マップから任意形状のテキスト領域を抽出するため、新たな微分可能な演算子「RoISlide」を提案した。このRoISlideが、任意形状テキストの検出と認識を結びつける鍵となる。RoISlideによって抽出された特徴に基づき、CNNとCTCを組み合わせたテキスト認識器を導入することで、文字の位置を明示的にラベル付けする必要を排除した。提案手法は、曲線テキストのベンチマークであるCTW1500およびTotal-Textにおいて最先端の性能を達成し、ICDAR 2015データセットにおいても競争力のある結果を示した。