テキストの検出・認識をE2Eで解くText Spottingモデルの提案。テキスト認識に有効な領域の検出を実現するために、Recognition Conversionと呼ばれるモジュールを導入。このモジュールでは領域検出用特徴マップとbackboneの特徴マップを階層的にFusionする。この構造によって認識ヘッドのLossが検出ヘッドにも伝播するようになり、認識を考慮した検出が可能となった。