Total-Textは、2017年にトロント大学の研究者らによって導入された、シーンテキスト検出のためのベンチマークデータセットです。このデータセットは、主に水平またはほぼ整列したテキストに焦点を当てた初期のデータセットの限界に対処するために設計され、曲線テキストや任意の向きのテキストインスタンスをかなりの割合で含んでいます。このデータセットは、機械学習および深層学習モデルがシーンテキスト検出の分野（人工知能とコンピュータビジョンのサブフィールド）で評価するための標準的なリソースとなっています。
このデータセットは、街の標識、店先、ポスターなどの実世界のシーンから収集された1,555枚の画像で構成されています。各画像には、曲線テキストや多方向テキストを含むテキスト領域を正確に囲む単語レベルの境界ポリゴンが注釈として付けられています。注釈は、ポリゴンと矩形の両方の表現をサポートする形式で提供され、検出アルゴリズムの柔軟な評価を可能にします。Total-Textには、1,255枚のトレーニングセットと300枚のテストセットが含まれ、合計で9,000以上の注釈付きテキストインスタンスがあります。このデータセットは、軸に整列したテキストや水平テキストを前提とする従来の検出方法にとって大きな課題となる、曲線テキストの割合が高いことで知られています。
Total-Textは、ICDAR（文書解析と認識に関する国際会議）チャレンジなどの学術研究や競技会で広く使用され、テキスト検出システムの性能をベンチマークするために利用されています。このデータセットは、残差ネットワークやU-Net風のセグメンテーションアプローチに基づくもの、さらにデータ拡張やバッチ正規化を活用して堅牢性を向上させる方法など、高度なニューラルネットワークアーキテクチャの開発を促進しました。
データセットの構成と注釈
Total-Textの画像は、さまざまな都市環境から収集され、異なる言語、フォント、照明条件、視点のテキストを捉えています。注釈は単語レベルで行われ、各単語は曲線、回転、水平のいずれであっても、テキストの形状に沿ったポリゴンで囲まれています。データセットには、各単語の軸に整列した境界ボックスのセットも別途提供され、矩形領域を必要とする評価方法に使用できます。グラウンドトゥルースはテキストファイル形式で保存され、各行が単語に対応し、ポリゴン座標とテキストの転写が含まれます。
評価指標とプロトコル
Total-Textの標準評価は、ICDARコンペティションで確立されたプロトコルに従い、主な指標として適合率、再現率、F値を使用します。検出結果は、通常0.5に設定される交差オーバーユニオン（IoU）しきい値に基づいてグラウンドトゥルースポリゴンとマッチングされます。データセットの公式評価コードは、方法間の一貫した比較を保証するために利用可能です。研究者はテストセットでの結果を報告することが推奨され、多くの公開論文にはICDAR 2015やMSRA-TD500などの他のデータセットと並んでTotal-Textでの比較が含まれています。
シーンテキスト検出研究への影響
Total-Textは、現代のテキスト検出システムの設計に大きな影響を与えました。初期の方法は手作りの特徴と連結成分分析に依存していましたが、曲線テキストの複雑さが深層学習アプローチへの移行を促しました。多くの最先端モデルは現在、完全畳み込みネットワーク、マルチヘッドアテンションメカニズム、エンコーダー・デコーダーアーキテクチャを採用して、テキスト領域をピクセル単位で予測しています。このデータセットはまた、検出と認識を組み合わせたエンドツーエンドのテキストスポッティングシステムのトレーニングと評価にも使用され、多くの場合シーケンス・ツー・シーケンスモデルやトランスフォーマーバックボーンを活用しています。
制限と拡張
Total-Textは挑戦的なベンチマークを提供しますが、いくつかの現代のデータセットと比較して画像数が比較的少ないことや、英語テキストに焦点を当てていることなどの制限があります。CTW1500やArTなどの後続のデータセットは、より多様なテキスト形状と言語を含むように範囲を拡大しました。それでも、Total-Textは、特に曲線テキストや任意の向きのテキストを扱う際のテキスト検出アルゴリズムの堅牢性を評価するための、広く引用され使用されるリソースであり続けています。