DSText V2：面向密集与微小文本的综合视频文本定位数据集
计算机视觉与模式识别
2023-12-06 v1
摘要
近年来，自然场景中的视频文本检测、跟踪与识别在计算机视觉社区中变得非常流行。然而，现有的多数算法和基准测试集中于常见文本情况（例如，正常尺寸、密度）和单一场景，而忽略了极端的视频文本挑战，即各种场景中的密集和微小文本。在本文中，我们建立了一个名为 DSText V2 的视频文本阅读基准，重点关注各种场景视频中密集和微小文本的阅读挑战。与以往的数据集相比，提出的数据集主要包含三个新挑战：1）密集视频文本，这是视频文本定位器在跟踪和阅读方面的新挑战。2）高比例的微小文本，加上视频中的模糊和扭曲，将带来进一步的挑战。3）各种新场景，例如游戏、体育等。提出的 DSText V2 包含来自 7 个开放场景的 140 个视频片段，支持三项任务，即视频文本检测（任务 1）、视频文本跟踪（任务 2）和端到端视频文本定位（任务 3）。在本文中，我们描述了数据集、任务、评估协议的详细统计信息以及结果总结。最重要的是，我们针对数据集衍生的三个独特挑战进行了彻底的调查和分析，旨在提供新的见解。此外，我们希望该基准能促进社区中的视频文本研究。DSText v2 是在 DSText v1 的基础上构建的，后者此前被引入用于组织 ICDAR 2023 密集和微小视频文本竞赛。
引用
@article{arxiv.2312.01938,
title = {DSText V2: A Comprehensive Video Text Spotting Dataset for Dense and Small Text},
author = {Weijia Wu and Yiming Zhang and Yefei He and Luoming Zhang and Zhenyu Lou and Hong Zhou and Xiang Bai},
journal= {arXiv preprint arXiv:2312.01938},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2304.04376