You Only Recognize Once：迈向快速视频文本定位

由于具有广泛的实际应用，视频文本定位仍是一个重要的研究课题。以往的方法通常采用四阶段流程：在单帧图像中进行文本检测、逐帧识别定位的文本区域、跟踪文本流以及通过复杂的后处理技术生成最终结果，这可能会带来巨大的计算成本以及低质量文本的干扰。在本文中，我们提出了一种快速且鲁棒的视频文本定位框架，仅对定位的文本进行一次识别，而非逐帧识别。具体而言，我们首先利用一个精心设计的时空检测器获取视频中的文本区域。然后，我们致力于开发一种新颖的文本推荐器，用于从文本流中选择最高质量的文本并仅对所选文本进行识别。在此，该推荐器将文本跟踪、质量评分和识别集成到一个端到端可训练的模块中，这不仅避免了低质量文本的干扰，还极大地加速了视频文本定位过程。此外，为了推动视频文本定位社区的发展，我们收集了一个更大规模的视频文本数据集（LSVTD），其中包含来自 22 种不同真实生活场景的 100 个文本视频。在两个公开基准上的大量实验表明，与逐帧方式相比，我们的方法平均将识别过程加速了 71 倍，并且取得了显著的 SOTA（state-of-the-art）表现。