Turning a CLIP Model into a Scene Text Spotter

计算机科学 人工智能 计算机视觉 自然语言处理 模式识别(心理学) 计算机图形学(图像) 情报检索
作者
Wenwen Yu,Yuliang Liu,Xingkui Zhu,Haoyu Cao,Xing Sun,Xiang Bai
出处
期刊:IEEE Transactions on Pattern Analysis and Machine Intelligence [Institute of Electrical and Electronics Engineers]
卷期号:46 (9): 6040-6054 被引量:1
标识
DOI:10.1109/tpami.2024.3379828
摘要

We exploit the potential of the large-scale Contrastive Language-Image Pretraining (CLIP) model to enhance scene text detection and spotting tasks, transforming it into a robust backbone, FastTCM-CR50. This backbone utilizes visual prompt learning and cross-attention in CLIP to extract image and text-based prior knowledge. Using predefined and learnable prompts, FastTCM-CR50 introduces an instance-language matching process to enhance the synergy between image and text embeddings, thereby refining text regions. Our Bimodal Similarity Matching (BSM) module facilitates dynamic language prompt generation, enabling offline computations and improving performance. FastTCM-CR50 offers several advantages: 1) It can enhance existing text detectors and spotters, improving performance by an average of 1.6% and 1.5%, respectively. 2) It outperforms the previous TCM-CR50 backbone, yielding an average improvement of 0.2% and 0.55% in text detection and spotting tasks, along with a 47.1% increase in inference speed. 3) It showcases robust few-shot training capabilities. Utilizing only 10% of the supervised data, FastTCM-CR50 improves performance by an average of 26.5% and 4.7% for text detection and spotting tasks, respectively. 4) It consistently enhances performance on out-of-distribution text detection and spotting datasets, particularly the NightTime-ArT subset from ICDAR2019-ArT and the DOTA dataset for oriented object detection. The code is available at https://github.com/wenwenyu/TCM .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
可爱的函函应助sln采纳,获得10
1秒前
1秒前
devin578632完成签到,获得积分20
1秒前
xibei给xibei的求助进行了留言
1秒前
宗友绿发布了新的文献求助10
2秒前
慕青应助bingsu108采纳,获得10
2秒前
Vanni发布了新的文献求助10
2秒前
MisSorrow完成签到 ,获得积分10
2秒前
firsttt完成签到,获得积分10
2秒前
科研通AI2S应助syjssxwz采纳,获得10
3秒前
3秒前
3秒前
甜甜茈发布了新的文献求助10
4秒前
小爷发布了新的文献求助10
4秒前
柏林完成签到,获得积分10
4秒前
Aimee完成签到,获得积分10
5秒前
科研通AI2S应助秋刀鱼采纳,获得30
5秒前
malele完成签到,获得积分10
5秒前
NXK完成签到,获得积分10
5秒前
赘婿应助等待冬易采纳,获得10
6秒前
提高vc发布了新的文献求助10
6秒前
充电宝应助笨笨垣采纳,获得10
6秒前
Akim应助小于采纳,获得10
7秒前
LIX发布了新的文献求助10
7秒前
小平完成签到,获得积分10
7秒前
彳亍1117应助无情黑米采纳,获得20
8秒前
999留下了新的社区评论
8秒前
善学以致用应助小爷采纳,获得10
9秒前
9秒前
10秒前
Hello应助rt三角采纳,获得10
10秒前
10秒前
Foldog完成签到,获得积分10
10秒前
11秒前
顾陌完成签到,获得积分10
11秒前
11秒前
xiaoqin完成签到,获得积分10
12秒前
酷酷颦发布了新的文献求助10
12秒前
桐桐应助xin采纳,获得10
12秒前
我们一起丢沙包完成签到,获得积分20
12秒前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Effect of reactor temperature on FCC yield 2000
Very-high-order BVD Schemes Using β-variable THINC Method 1020
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Near Infrared Spectra of Origin-defined and Real-world Textiles (NIR-SORT): A spectroscopic and materials characterization dataset for known provenance and post-consumer fabrics 610
Mission to Mao: Us Intelligence and the Chinese Communists in World War II 600
Promoting women's entrepreneurship in developing countries: the case of the world's largest women-owned community-based enterprise 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3305420
求助须知:如何正确求助?哪些是违规求助? 2939192
关于积分的说明 8492175
捐赠科研通 2613650
什么是DOI,文献DOI怎么找? 1427547
科研通“疑难数据库(出版商)”最低求助积分说明 663096
邀请新用户注册赠送积分活动 647811