IndicSTR12: A Comprehensive Dataset for Indic Scene Text Recognition

Core Concepts

IndicSTR12 aims to address the lack of comprehensive datasets for Indian languages by proposing a real dataset and benchmarking STR performance on 12 major Indian languages.

Abstract

Introduction:

Importance of Scene Text Recognition (STR) in the digital world.
Data-intensive deep learning approaches drive STR solutions.
Dataset Creation:

IndicSTR12 proposed as the largest and most comprehensive real dataset for 12 major Indian languages.
Dataset includes over 27,000 word-images from natural scenes with diverse conditions.
Models Used:

Benchmarking performed on PARSeq, CRNN, and STARNet models.
Experiments:

Models trained on synthetic data and tested on IndicSTR12 dataset.
Multi-lingual training demonstrated improved performance for individual languages.
Conclusion:

IndicSTR12 provides a valuable resource for developing robust text detection and recognition models in Indian languages.

Stats

インドの言語を話す13億人によって話され、読まれる複雑なインドの言語に対する作業が少ない。
データセットには、さまざまな自然シーンから収集された2万7000以上の単語画像が含まれています。
新しいデータセットとともに、PARSeq（Latin SOTA）、CRNN、STARNetの3つのモデルで高性能なベースラインを提供します。

Quotes

Key Insights Distilled From

IndicSTR12

by Harsh Lunia,... at arxiv.org 03-14-2024

https://arxiv.org/pdf/2403.08007.pdf

Deeper Inquiries

他の公開データセットと比較して、IndicSTR12データセットのパフォーマンスはどうですか？

IndicSTR12データセットは、他の公開データセットと比較しても高い性能を示しています。特に不規則なサンプルや低解像度、ひずんだテキストなど、より難しい条件下でもモデルが正確に認識できることが確認されています。PARSeqモデルは多くの言語で優れた結果を出しましたが、一部の言語では十分な訓練インスタンスが不足しており、その影響を受けています。

Latin STRモデルがインドの言語で十分なパフォーマンスを発揮できる可能性はありますか？

Latin STRモデルは通常英語などのラテン系言語に適用されており、これらの言語では高い精度を達成しています。しかし、インド諸国で話されるような非ラテン系文字や構造的に複雑な言語に対して同等のパフォーマンスを実現することは困難です。インド諸国で使用される文字や文法構造は異なっており、それらに適応した専用モデルやトレーニングアプローチが必要です。

この研究が将来的にどのようにインドのシーンテキストコミュニティを支援することが期待されますか？

この研究ではIndicSTR12という包括的な実際のデータセットを提供しました。これにより、シーンテキストコミュニティ全体がさまざまな印欧系言語向けに効果的なソリューションを開発するための基盤が整えられます。また、「SynthText」や「MJSynth」から得られた合成画像も含めて3百万枚以上も生成した点も注目すべきです。今後この大規模実際及び合成両方領域上位質問題解決策進展促進します。