亚马逊研究人员使用AI改善对弯曲文本的识别

 
光学字符识别(OCR)或将手写或印刷文本的图像转换为机器可读文本的技术，可以追溯到70年代初。但是算法长期以来一直努力找出与水平面不平行的字符，这就是为什么亚马逊的研究人员开发了他们称为TextTubes的原因。它们是自然图像中弯曲文本的检测器，可将所述文本建模为围绕其中间(中间)轴的管状。在描述其工作的论文中，合著者声称，他们的方法在流行的OCR基准上达到了最新的结果。
正如研究人员所解释的那样，场景文本通常分为两个连续的任务：文本检测和文本识别。第一个涉及使用上下文线索来定位字符，单词和行，而第二个目的是转录其内容。两者说起来容易做起来难–野外文本不仅受到变形的影响，还受到视点变化和任意字体的影响。
团队的解决方案是利用文本参考框架的“管状”表示形式来捕获大多数可变性，同时利用目标文本通常是大小相似的字符串联而成的事实。与传统的使用易于重叠且容易产生噪声的矩形和四边形来捕获文本信息的方法相反，它被公式化为一种数学功能，可以训练机器学习场景文本检测器。
研究人员评估了TextTubes在CTW-1500上的性能，该数据集由从自然场景和图像库中收集的1,500张图像，超过10,000个文本实例(每个图像至少一个弯曲实例)组成，并在Total-Text上进行了评估，Total-Text包含大约1,255次训练图像和300个测试图像以及一个或多个弯曲文本实例。他们报告说，他们在CTW-1500上以83.65%的准确度取得了行业领先的结果，而最接近的方法的准确度为75.6%。
该论文的合著者写道：“对实例的中间轴和平均半径进行建模……可以捕获有关实例整体的信息。” “在包含单个单词的数据集(例如Total-Text)上，我们的模型能够实现最新的性能。在具有行级注释的数据集(例如CTW-1500)上，我们的模型能够更好地捕获实例中各个单词的文本信息。”
假设有一天TextTubes投入生产，对于高度依赖OCR开展业务的企业来说，这可能是一个福音。据估计，纸张仍占80%以上的数字流程;大约97%的小企业仍使用纸质支票。根据大观研究公司(Grand View Research)的数据，这也许就是为什么到2025年OCR解决方案市场规模将达到133.8亿美元的原因。