本文提出了一种名为 TextBoxes ++ 的端到端可训练的快速场景文本检测器，它可以在单个网络正向传递中检测任意方向的场景文本，并在检测精度和运行时方面优于竞争方法。

Jan, 2018

本文提出了一种名为 DeepText 的新型文本区域提案生成和文本检测的统一框架，通过卷积神经网络（CNN）实现。通过 Inception-RPN 提出区域提案，引入 ATC 信息和 MLRP 实现文本和非文本分类和准确定位，最终通过迭代边界框投票和筛选算法获得高的召回率。该方法在 ICDAR 2011 和 2013 的检测基准测试中取得了 F-measure 为 0.83 和 0.85 的优异结果，超过了以前的最新研究成果。

May, 2016

本研究提出了一种简单而强大的场景文本检测流程，该流程可以直接预测全图中任意方向和四边形形状的单词或文本行，消除了不必要的中间步骤（例如候选聚合和单词划分），只需要一个神经网络进行操作，大大提升了检测的准确性和效率。

Apr, 2017

该研究论文介绍了一种结合视觉和自然语言的简单而强大的数据的神经体系结构；该架构称之为 “Bounding Boxes in Text Transformer”（B2T2），并且在统一架构中利用指涉信息将单词绑定到图像部分。B2T2 在 Visual Commonsense Reasoning 基准测试上表现极佳，相对于已发表的基线减少了 25％的错误率，并在公共排行榜上取得了迄今为止的最佳表现（截至 2019 年 5 月 22 日）。详细的消融分析显示，将视觉特征早期整合到文本分析中对该算法的有效性至关重要。

Aug, 2019

本研究提出了一种新颖的单步文字检测器，该检测器直接在自然图像中输出单词级别的边界框。通过自动学习的注意力映射，我们提出了一种注意机制，粗略地识别文本区域。此外，我们还开发了分层 Inception 模块，可以有效地聚合多尺度 Inception 特征，从而使该检测器能够可靠地在单尺度图像上处理多尺度和多方向文本。我们的文本检测器在 ICDAR 2015 基准测试中取得了 77％的 F-measure，超越了先前研究的最新成果。

Sep, 2017

该论文介绍了一个新型的深度学习框架 Evolving Boxes，可以快速从交通监控摄像头中检测车辆，包括轻量级的候选框网络和精细调整网络，以及不同的特征融合技术，相比 Faster RCNN 在 DETRAC 基准测试中提高了 9.5% 的 mAP，可以在商业 GPU 上以 9-13 FPS 的检测速度运行。

Feb, 2017

该研究提出了一种名为 FaceBoxes 的新型人脸检测器，其网络结构采用了轻量级但强大的 RDCL 和 MSCL，实现了 CPU 上的实时速度和高性能的检测，同时还具有新的锚定点密集化策略，并在多个人脸检测基准数据集上呈现出最新的检测性能。

Aug, 2017

提出了一种基于深度学习的两阶段文本检测器 NASK，采用实例分割技术，通过 GSCA 模块、RoI Pooling 和 FOX 模块，能够更精确地定位和还原任意形状、不同大小、存在转角的文本，并在公共基准测试数据集上取得了最先进的结果。

Apr, 2020

本文介绍了一个名为 TextBox 的开源库，旨在提供一种统一、模块化和可扩展的文本生成框架。该库支持广泛的文本生成任务和模型，并且通过将模型架构、推断和学习过程适当地分解为高度可重用的模块，保持了足够的模块化和可扩展性，使用户可以轻松地将新模型整合到我们的框架中。

Jan, 2021

本文基于深度学习提出了一种名为 TextField 的新型文本检测器，通过学习每个文本点指向离其最近文本边界的方向向量进行检测，克服了目前普通文本检测器在检测曲线文本时的限制，其在多个数据集上表现非常优越。

Dec, 2018