细调与长尾问题：场景文本检测新基准
计算机视觉与模式识别
2025-05-22 v1
摘要
场景文本检测领域涌现出高性能的方法，在学术基准上表现卓越。然而，这些检测器往往难以在现实场景中复制此类成功。通过大量实验，我们发现导致这一差异的两个关键因素。首先，存在“微调差距”（Fine-tuning Gap），即模型在一个领域内利用数据特定优化（Dataset-Specific Optimization, DSO）范式，牺牲了对其他领域的有效性，导致在学术基准上获得夸张的性能。其次，现实环境下的次优性能主要归因于文本的长尾分布，检测器在处理稀有且复杂的类别（如艺术文本或重叠文本）时常常力不从心。鉴于 DSO 范式可能削弱模型的泛化能力，我们主张采用“联合数据学习”（Joint-Dataset Learning, JDL）协议以缓解微调差距。此外，我们进行了错误分析，识别出三大类别和十三个子类别的长尾场景文本挑战，基于此提出了长尾基准（Long-Tailed Benchmark, LTB）。LTB 促进对处理多样化长尾挑战能力的全面评估。我们进一步引入 MAEDet，一种基于自监督学习的方法，作为 LTB 的强基准。代码已公开于 https://github.com/pd162/LTB。
引用
@article{arxiv.2505.15649,
title = {The Devil is in Fine-tuning and Long-tailed Problems:A New Benchmark for Scene Text Detection},
author = {Tianjiao Cao and Jiahao Lyu and Weichao Zeng and Weimin Mu and Yu Zhou},
journal= {arXiv preprint arXiv:2505.15649},
year = {2025}
}
备注
Accepted by IJCAI2025