{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2942661"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2942661","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Multilingual Text Detection on Scene Images using MASK RCNN Method","abstract":"Στη νέα εποχή της τεχνολογίας, όπου οι καινοτομίες αυξάνονται μέρα με τη μέρα, οι νέες ιδέες, μέθοδοι, διαδικασίες στον τομέα της επιστήμης υπολογιστών απαιτούνται όλο και περισσότερο. Ένα από τα πιο ενεργά θέματα αυτές τις μέρες είναι η «ανίχνευση και αναγνώριση κειμένου» σε εικόνες ή βίντεο. Οι ακριβείς πληροφορίες που υπάρχουν στην εικόνα είναι πολύ χρήσιμες για ένα ευρύ φάσμα εφαρμογών στην πραγματική ζωή. Ωστόσο, είναι μια πολύ περίπλοκη διαδικασία να εντοπιστεί και να αναγνωριστεί κείμενο σε εικόνες σκηνής. Η ανίχνευση και αναγνώριση κειμένου σε εικόνες σκηνής, λόγω της ποικιλίας των εφαρμογών που υπάρχουν στην αγορά, αναζητά την προσοχή της κοινότητας της τεχνολογίας των υπολογιστών όλο και περισσότερο. Υπάρχουν ορισμένα προβλήματα σε αυτόν τον τομέα που δεν έχουν επιλυθεί ακόμα όπως είναι πολυγλωσσία, χρώματα, προσανατολισμοί, γραμματοσειρές, στυλ. Οι πρόσφατες εξελίξεις στη βαθιά μάθηση έχουν αυξήσει την προσοχή δυνητικών ερευνητών στην ανίχνευση κειμένου. Η αποτελεσματικότητα των Convolutional Neural Networks βασίζεται σε μεγάλο βαθμό στην απόδοση του αλγορίθμου που υιοθετείται για την ανίχνευση αντικειμένου. Υπάρχουν πολλές δυσκολίες που πρέπει να αντιμετωπιστούν οι οποίες σχετίζονται με την ανίχνευση κειμένου σκηνής. Το μεγαλύτερο πρόβλημα είναι ότι οι περισσότερες από τις μεθόδους που χρησιμοποιούνται για την ανίχνευση κειμένου δείχνουν καλύτερη απόδοση όταν οι συνθήκες είναι υπό έλεγχο, όταν οι περιπτώσεις στις οποίες το κείμενο έχει κανονικό σχήμα και κανονική αναλογία. Λόγω περιορισμένων μορφών αναπαράστασης κειμένου και περιορισμένου δεκτικού μεγέθους CNN, οι μέθοδοι αυτοί δεν εντοπίζουν τις πολύπλοκες σκηνές, όπως κείμενα που έχουν αυθαίρετο σχήμα ή είναι μακρά κείμενα. Η προτεινόμενη μέθοδος που εφαρμόζεται και δοκιμάζεται είναι η Mask RCNN για να προσφέρει ένα πλαίσιο που έχει μια ισχυρή βάση και προσφέρει πολλά πλεονεκτήματα θεσμικής σαφήνειας στην έννοια, την ευελιξία, την ευρωστία και τον γρήγορο χρόνο εκμάθησης.","abstract_html":"Στη νέα εποχή της τεχνολογίας, όπου οι καινοτομίες αυξάνονται μέρα με τη μέρα, οι νέες ιδέες, μέθοδοι, διαδικασίες στον τομέα της επιστήμης υπολογιστών απαιτούνται όλο και περισσότερο. Ένα από τα πιο ενεργά θέματα αυτές τις μέρες είναι η «ανίχνευση και αναγνώριση κειμένου» σε εικόνες ή βίντεο. Οι ακριβείς πληροφορίες που υπάρχουν στην εικόνα είναι πολύ χρήσιμες για ένα ευρύ φάσμα εφαρμογών στην πραγματική ζωή. Ωστόσο, είναι μια πολύ περίπλοκη διαδικασία να εντοπιστεί και να αναγνωριστεί κείμενο σε εικόνες σκηνής. Η ανίχνευση και αναγνώριση κειμένου σε εικόνες σκηνής, λόγω της ποικιλίας των εφαρμογών που υπάρχουν στην αγορά, αναζητά την προσοχή της κοινότητας της τεχνολογίας των υπολογιστών όλο και περισσότερο. Υπάρχουν ορισμένα προβλήματα σε αυτόν τον τομέα που δεν έχουν επιλυθεί ακόμα όπως είναι πολυγλωσσία, χρώματα, προσανατολισμοί, γραμματοσειρές, στυλ. Οι πρόσφατες εξελίξεις στη βαθιά μάθηση έχουν αυξήσει την προσοχή δυνητικών ερευνητών στην ανίχνευση κειμένου. Η αποτελεσματικότητα των Convolutional Neural Networks βασίζεται σε μεγάλο βαθμό στην απόδοση του αλγορίθμου που υιοθετείται για την ανίχνευση αντικειμένου. Υπάρχουν πολλές δυσκολίες που πρέπει να αντιμετωπιστούν οι οποίες σχετίζονται με την ανίχνευση κειμένου σκηνής. Το μεγαλύτερο πρόβλημα είναι ότι οι περισσότερες από τις μεθόδους που χρησιμοποιούνται για την ανίχνευση κειμένου δείχνουν καλύτερη απόδοση όταν οι συνθήκες είναι υπό έλεγχο, όταν οι περιπτώσεις στις οποίες το κείμενο έχει κανονικό σχήμα και κανονική αναλογία. Λόγω περιορισμένων μορφών αναπαράστασης κειμένου και περιορισμένου δεκτικού μεγέθους CNN, οι μέθοδοι αυτοί δεν εντοπίζουν τις πολύπλοκες σκηνές, όπως κείμενα που έχουν αυθαίρετο σχήμα ή είναι μακρά κείμενα. Η προτεινόμενη μέθοδος που εφαρμόζεται και δοκιμάζεται είναι η Mask RCNN για να προσφέρει ένα πλαίσιο που έχει μια ισχυρή βάση και προσφέρει πολλά πλεονεκτήματα θεσμικής σαφήνειας στην έννοια, την ευελιξία, την ευρωστία και τον γρήγορο χρόνο εκμάθησης.","abstract_has_math":false,"creators":["Ναούμ Νικόλαος","Naoum Nikolaos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:42:33Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2942661"],"render_values":[{"text":"uoadl:2942661","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2942661","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2942661","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2942661","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ναούμ Νικόλαος","Naoum Nikolaos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2942661","https://pergamos.lib.uoa.gr/uoa/dl/object/2942661"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στη νέα εποχή της τεχνολογίας, όπου οι καινοτομίες αυξάνονται μέρα με τη μέρα, οι νέες ιδέες, μέθοδοι, διαδικασίες στον τομέα της επιστήμης υπολογιστών απαιτούνται όλο και περισσότερο. Ένα από τα πιο ενεργά θέματα αυτές τις μέρες είναι η «ανίχνευση και αναγνώριση κειμένου» σε εικόνες ή βίντεο. Οι ακριβείς πληροφορίες που υπάρχουν στην εικόνα είναι πολύ χρήσιμες για ένα ευρύ φάσμα εφαρμογών στην πραγματική ζωή. Ωστόσο, είναι μια πολύ περίπλοκη διαδικασία να εντοπιστεί και να αναγνωριστεί κείμενο σε εικόνες σκηνής. Η ανίχνευση και αναγνώριση κειμένου σε εικόνες σκηνής, λόγω της ποικιλίας των εφαρμογών που υπάρχουν στην αγορά, αναζητά την προσοχή της κοινότητας της τεχνολογίας των υπολογιστών όλο και περισσότερο. Υπάρχουν ορισμένα προβλήματα σε αυτόν τον τομέα που δεν έχουν επιλυθεί ακόμα όπως είναι πολυγλωσσία, χρώματα, προσανατολισμοί, γραμματοσειρές, στυλ. Οι πρόσφατες εξελίξεις στη βαθιά μάθηση έχουν αυξήσει την προσοχή δυνητικών ερευνητών στην ανίχνευση κειμένου. Η αποτελεσματικότητα των Convolutional Neural Networks βασίζεται σε μεγάλο βαθμό στην απόδοση του αλγορίθμου που υιοθετείται για την ανίχνευση αντικειμένου. Υπάρχουν πολλές δυσκολίες που πρέπει να αντιμετωπιστούν οι οποίες σχετίζονται με την ανίχνευση κειμένου σκηνής. Το μεγαλύτερο πρόβλημα είναι ότι οι περισσότερες από τις μεθόδους που χρησιμοποιούνται για την ανίχνευση κειμένου δείχνουν καλύτερη απόδοση όταν οι συνθήκες είναι υπό έλεγχο, όταν οι περιπτώσεις στις οποίες το κείμενο έχει κανονικό σχήμα και κανονική αναλογία. Λόγω περιορισμένων μορφών αναπαράστασης κειμένου και περιορισμένου δεκτικού μεγέθους CNN, οι μέθοδοι αυτοί δεν εντοπίζουν τις πολύπλοκες σκηνές, όπως κείμενα που έχουν αυθαίρετο σχήμα ή είναι μακρά κείμενα. Η προτεινόμενη μέθοδος που εφαρμόζεται και δοκιμάζεται είναι η Mask RCNN για να προσφέρει ένα πλαίσιο που έχει μια ισχυρή βάση και προσφέρει πολλά πλεονεκτήματα θεσμικής σαφήνειας στην έννοια, την ευελιξία, την ευρωστία και τον γρήγορο χρόνο εκμάθησης.","In the new era of technology, where innovations come day by day the new ideas, methods, procedures in the field of Computer sciences getting more advance. One of them research becomes most active topic these days is ‘text detection and recognition’ presents in images or videos. The accurate information present in the text is very useful for a wide range of real-life applications. However, it is a very complicated assignment to localize and read texts from natural scene images. Scene text detection and recognition application, due to majority and variety of these applications present in the market, it seeks the attention of community to the computer technology more and become curios. There are some problems which are unsolved till know in the world of text detection which are languages, colors, orientation, fonts, style that need to be resolved. The recent advancements in deep learning have increased the attention of potential researchers towards scene text detection. CNN is designed in the way that it automatically adapts spatial hierarchies of Text detection Processing features through using multiple building blocks - layers. First, it collects the text each word separately and after detecting the different parts of text it recollects the whole image and then present an output. In this report it is analyzed the techniques like LOMO and PMTD etc. for text detection. Our proposed method is using MASK RCNN technique and it is implemented and tested in order to offer a framework that has a powerful baseline and offers so many advantages such as flexibility, robustness, fast time of training and inference. All the methods help us to achieve two different activities which are instance segmentation and text detection on scene images. The methods that are proposed in the research have already offers some application that include the Multilingual text detection on scene images, but this is not meant that these applications are ideal to use or perfect. There is a lag and missing features in these applications and have a room for improvement which can help in achieving better results in terms of boundary detection. The world of technology improving day by day and being update with the technology and contribute in the technology is the best way to express greeting or thanks to the technology"]},{"key":"dc:title","label":"Title","values":["Multilingual Text Detection on Scene Images using MASK RCNN Method"]}]}],"canonical_facts":{"dc:creator":["Ναούμ Νικόλαος","Naoum Nikolaos"],"dc:date":["2021"],"dc:description":["Στη νέα εποχή της τεχνολογίας, όπου οι καινοτομίες αυξάνονται μέρα με τη μέρα, οι νέες ιδέες, μέθοδοι, διαδικασίες στον τομέα της επιστήμης υπολογιστών απαιτούνται όλο και περισσότερο. Ένα από τα πιο ενεργά θέματα αυτές τις μέρες είναι η «ανίχνευση και αναγνώριση κειμένου» σε εικόνες ή βίντεο. Οι ακριβείς πληροφορίες που υπάρχουν στην εικόνα είναι πολύ χρήσιμες για ένα ευρύ φάσμα εφαρμογών στην πραγματική ζωή. Ωστόσο, είναι μια πολύ περίπλοκη διαδικασία να εντοπιστεί και να αναγνωριστεί κείμενο σε εικόνες σκηνής. Η ανίχνευση και αναγνώριση κειμένου σε εικόνες σκηνής, λόγω της ποικιλίας των εφαρμογών που υπάρχουν στην αγορά, αναζητά την προσοχή της κοινότητας της τεχνολογίας των υπολογιστών όλο και περισσότερο. Υπάρχουν ορισμένα προβλήματα σε αυτόν τον τομέα που δεν έχουν επιλυθεί ακόμα όπως είναι πολυγλωσσία, χρώματα, προσανατολισμοί, γραμματοσειρές, στυλ. Οι πρόσφατες εξελίξεις στη βαθιά μάθηση έχουν αυξήσει την προσοχή δυνητικών ερευνητών στην ανίχνευση κειμένου. Η αποτελεσματικότητα των Convolutional Neural Networks βασίζεται σε μεγάλο βαθμό στην απόδοση του αλγορίθμου που υιοθετείται για την ανίχνευση αντικειμένου. Υπάρχουν πολλές δυσκολίες που πρέπει να αντιμετωπιστούν οι οποίες σχετίζονται με την ανίχνευση κειμένου σκηνής. Το μεγαλύτερο πρόβλημα είναι ότι οι περισσότερες από τις μεθόδους που χρησιμοποιούνται για την ανίχνευση κειμένου δείχνουν καλύτερη απόδοση όταν οι συνθήκες είναι υπό έλεγχο, όταν οι περιπτώσεις στις οποίες το κείμενο έχει κανονικό σχήμα και κανονική αναλογία. Λόγω περιορισμένων μορφών αναπαράστασης κειμένου και περιορισμένου δεκτικού μεγέθους CNN, οι μέθοδοι αυτοί δεν εντοπίζουν τις πολύπλοκες σκηνές, όπως κείμενα που έχουν αυθαίρετο σχήμα ή είναι μακρά κείμενα. Η προτεινόμενη μέθοδος που εφαρμόζεται και δοκιμάζεται είναι η Mask RCNN για να προσφέρει ένα πλαίσιο που έχει μια ισχυρή βάση και προσφέρει πολλά πλεονεκτήματα θεσμικής σαφήνειας στην έννοια, την ευελιξία, την ευρωστία και τον γρήγορο χρόνο εκμάθησης.","In the new era of technology, where innovations come day by day the new ideas, methods, procedures in the field of Computer sciences getting more advance. One of them research becomes most active topic these days is ‘text detection and recognition’ presents in images or videos. The accurate information present in the text is very useful for a wide range of real-life applications. However, it is a very complicated assignment to localize and read texts from natural scene images. Scene text detection and recognition application, due to majority and variety of these applications present in the market, it seeks the attention of community to the computer technology more and become curios. There are some problems which are unsolved till know in the world of text detection which are languages, colors, orientation, fonts, style that need to be resolved. The recent advancements in deep learning have increased the attention of potential researchers towards scene text detection. CNN is designed in the way that it automatically adapts spatial hierarchies of Text detection Processing features through using multiple building blocks - layers. First, it collects the text each word separately and after detecting the different parts of text it recollects the whole image and then present an output. In this report it is analyzed the techniques like LOMO and PMTD etc. for text detection. Our proposed method is using MASK RCNN technique and it is implemented and tested in order to offer a framework that has a powerful baseline and offers so many advantages such as flexibility, robustness, fast time of training and inference. All the methods help us to achieve two different activities which are instance segmentation and text detection on scene images. The methods that are proposed in the research have already offers some application that include the Multilingual text detection on scene images, but this is not meant that these applications are ideal to use or perfect. There is a lag and missing features in these applications and have a room for improvement which can help in achieving better results in terms of boundary detection. The world of technology improving day by day and being update with the technology and contribute in the technology is the best way to express greeting or thanks to the technology"],"dc:identifier":["uoadl:2942661","https://pergamos.lib.uoa.gr/uoa/dl/object/2942661"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Multilingual Text Detection on Scene Images using MASK RCNN Method"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:42:33Z"}