文字領域の抽出、言語の認識、文字の認識など多機能なモデルにも関わらずEnd-To-Endで学習できるように、３段階の学習戦略とLOSS関数を提案した。

テキスト検出と言語認識では概ね既存手法を上回る結果となった。ただし、肝心の文字認識では、ほとんどの手法を上回ったものの、SoTA手法（CRAFTS）には届かなかった。ただし、パラメータ数の差や学習データの有利不利、拡張性の観点から、提案手法が勝る面がある点を強調。