画像からテキストを検出するモジュールと，検出されたテキストとクエリの単語間の類似度を測るモジュールを1つのネットワークとして構築することで，end-to-endの学習を可能に．検出テキストとクエリ間の類似度の分布には偏りがあるため，単語のaugmentationを提案．また，中国語のデータセットを提案．

従来データセット，提案データセットいずれにおいてもmAPのスコアが従来手法を上回った．計算速度に関しては，従来データセットでは既存手法の10倍近くかかってしまう一方で，提案データセットにおいては既存手法より10倍速い．

github: https://github.com/lanfeng4659/STR-TDSL