E2E-MLT - An Unconstrained End-to-End Method for Multi-language Scene Text

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00337397" target="_blank" >RIV/68407700:21230/19:00337397 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-319-10602-1_26" target="_blank" >https://doi.org/10.1007/978-3-319-10602-1_26</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-21074-8_11" target="_blank" >10.1007/978-3-030-21074-8_11</a>

Jazyk výsledku

angličtina

Název v původním jazyce

E2E-MLT - An Unconstrained End-to-End Method for Multi-language Scene Text

Popis výsledku v původním jazyce

An end-to-end trainable (fully differentiable) method for multi-language scene text localization and recognition is proposed. The approach is based on a single fully convolutional network (FCN) with shared layers for both tasks. E2E-MLT is the first published multi-language OCR for scene text. While trained in multi-language setup, E2E-MLT demonstrates competitive performance when compared to other methods trained for English scene text alone. The experiments show that obtaining accurate multi-language multi-script annotations is a challenging problem. Code and trained models are released publicly at https://github.com/MichalBusta/E2E-MLT.

Název v anglickém jazyce

E2E-MLT - An Unconstrained End-to-End Method for Multi-language Scene Text

Popis výsledku anglicky

An end-to-end trainable (fully differentiable) method for multi-language scene text localization and recognition is proposed. The approach is based on a single fully convolutional network (FCN) with shared layers for both tasks. E2E-MLT is the first published multi-language OCR for scene text. While trained in multi-language setup, E2E-MLT demonstrates competitive performance when compared to other methods trained for English scene text alone. The experiments show that obtaining accurate multi-language multi-script annotations is a challenging problem. Code and trained models are released publicly at https://github.com/MichalBusta/E2E-MLT.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

ACCVW 2018: Proceedings of the 14th Asian Conference on Computer Vision Workshops

ISBN

978-3-030-21073-1

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

17

Strana od-do

127-143

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Perth

Datum konání akce

4. 12. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000492907100011