[论文解读] ICDAR 2015 Text Reading in the Wild Competition

Xinyu Zhou, Shuchang Zhou+3 more|arXiv (Cornell University)|Jun 10, 2015

Handwritten Text Recognition Techniques参考文献 11被引用 24

一句话总结

本文介绍了 ICDAR 2015 年野外文本识别竞赛，提出一个大规模、多语言的数据集，包含真实世界自然图像中的中英文文本。该研究采用基于多边形的定位方式与区分大小写的归一化编辑距离评估文本检测与识别方法，结果表明即使是最先进的方法在真实世界场景中仍表现不足，凸显了利用深度学习框架提升多语言场景文本系统鲁棒性的迫切需求。

ABSTRACT

Recently, text detection and recognition in natural scenes are becoming increasing popular in the computer vision community as well as the document analysis community. However, majority of the existing ideas, algorithms and systems are specifically designed for English. This technical report presents the final results of the ICDAR 2015 Text Reading in the Wild (TRW 2015) competition, which aims at establishing a benchmark for assessing detection and recognition algorithms devised for both Chinese and English scripts and providing a playground for researchers from the community. In this article, we describe in detail the dataset, tasks, evaluation protocols and participants of this competition, and report the performance of the participating methods. Moreover, promising directions for future research are discussed.

研究动机与目标

• 为复杂真实场景中的多语言文本检测与识别建立基准，尤其针对中英文文字。
• 解决现有数据集与算法的局限性，这些数据集与算法主要聚焦于英文，且在真实世界图像复杂性方面缺乏多样性。
• 通过提供大规模、公开可用的数据集与标准化评估协议，激发多语言场景文本理解领域的研究兴趣与技术发展。
• 评估最先进方法在包含透明文本与多语言文本的非专业拍摄图像上的性能表现。

提出的方法

• 该数据集包含约 1000 幅真实世界自然图像，其中 500 幅用于训练/验证，484 幅用于测试，所有文本行均以多边形边界进行标注。
• 文本检测通过多边形交集面积进行评估，取代传统的基于矩形的 IoU，以更好地处理不规则文本形状。
• 文本识别通过在裁剪后的单词图像上使用区分大小写的归一化编辑距离进行评估，参赛者可使用边界框标注进行裁剪。
• Stradvision 方法利用极值区域提取字符候选，随后通过分类器与文本块匹配，将字符聚类为文本区域。
• CASIA_NLPR 方法在 YIQ 颜色空间中提取文本连通组件，采用 OTSU 二值化与通道特异性分类器，选择最优通道进行最终文本检测。
• 在识别方面，CASIA_NLPR 采用 968 维特征的过分割方法与统计语言模型实现无词典词识别，随后进行大小写校正与字符过滤。

实验结果

研究问题

• RQ1 现有文本检测与识别算法在包含中英文文本的多语言真实世界自然场景图像上的表现如何？
• RQ2 当前方法在处理透明文本、光照变化与非均匀背景等挑战性条件时的适应能力如何？
• RQ3 与传统的矩形边界框相比，基于多边形的评估是否能更有效地提升不规则文本场景下的检测性能评估？
• RQ4 基准线上线服务与先进方法在大规模、多样化真实世界数据集上的性能差距有多大？
• RQ5 在复杂多语言场景文本中，哪些关键技术组件能显著提升检测与识别的准确性？

主要发现

• Stradvision 方法在文本定位任务中取得 0.759 的 F-measure，显著优于基线方法（0.457），表明其对不规则文本形状具有更强的鲁棒性。
• CASIA_NLPR 方法在文本识别任务中取得 0.279 的归一化编辑距离，远优于基线方法（0.735），表明其在词级别识别上表现优异。
• 尽管在基准测试中表现优异，但两种方法在真实世界应用中仍显不足，表明仍有巨大改进空间。
• 该数据集的多样性——包括透明文本、多语言内容以及非专业拍摄的图像来源——对现有算法构成重大挑战。
• 结果表明，利用大规模数据与场景特异性特征的深度学习框架，对于实现鲁棒的多语言场景文本理解至关重要。