What If We Only Use Real Datasets for SceneText RecognitionTowardSceneTextRecognitionWithFewerLabels

What If We Only Use Real Datasets for Scene Text Recognition?Toward Scene Text Recognition With Fewer Labels

2014年之后出现大量合成的数据，真实标签（比较少，影响模型精度）的识别较少

标签较少的STR被认为是困难的，因为只有成千上万的真实数据，导致准确性低。

我们证明只有使用真实标签才能令人满意地训练STR模型

• 贡献
  • 1)仅使用真实标签就显示出足够的性能，简单的数据扩充可以充分利用真实数据
    • 真实数据(276K)的精度接近于合成数据(16M)
  • 2)在标签较少的字符串中引入半监督和自监督方法，进一步提高了性能.

1.知识点介绍

• 合成数据

  • 在一张图片中的某些区域添加文本，并加以不同的变化，比如字体的变化、颜色的变化、位置的变化

• 用于半监督和自监督学习的数据集（合并了2个未标记的数据集，1个标记的数据集）

  • BOOK32：包含许多手写或弯曲的文本 （在其上使用PL（半监督的一种方法，Pseudo-Label (PL) ）），未标记
  • TextVQA ：为基于文本的可视化问题回答而创建的。来自“广告牌”和“交通标志”等类别的28K OpenImage V3 [23]图像组成。未标记
  • ST-VQA：场景文本，包含IC13、IC15和COCO

• 11个真实的数据集

数据集	描述
2011_SVT,2013 IIIT，2013_IC13	大部分图像都是街上的横排文字
2015 _IC15	透视文本、模糊或低分辨率图像