Mar, 2019

基于条件空间扩展的稳健曲线文本检测

HTML
PDF
TL;DR本文提出一种基于Conditional Spatial Expansion (CSE) 机制的曲线文本检测方法，利用局部特征和上下文信息，可以处理形状，大小和方向各异的文本，并有效地抑制了来自类似文本的纹理或意外文本产生的误报，与现有算法相比，我们的方法更稳健，具有更简单的处理流程，并在曲线文本基准测试中创造了新的最优性能，F分数高达78.4％。
发现论文，激发创造
  • Total-Text: 一份全面的用于场景文本检测和识别的数据集

    该研究论文主要介绍了一个新的数据集 Total-Text，该数据集包括水平、多向和曲线方向的文本，旨在填补现有文本数据集对于曲线文字方向的空缺，并对该数据集进行了基于 DeconvNet 的曲线文字检测方法的评估。

    Oct, 2017

  • 野外曲线文本检测：新数据集和新方法

    本文提出了一种基于多边形的弯曲文本检测器，结合循环横向和纵向偏移连接的无端到端可训练性，将非多边形抑制和多边形非最大抑制方法相结合以进一步提高检测准确性，此方法可以适用于矩形或四边形边界框的训练，并在 CTW-1500 上精度超过先前方法。

    Dec, 2017

  • 渐进式尺度扩增网络实现形状稳健文字检测

    本研究提出一种基于分割的检测器，通过渐进式缩小文本实例并分别分割多个预测核以检测任意形状、且强邻近文本分离的文本实例，实现了在 ICDAR 基准测试中优于之前最佳结果的表现。

    Jun, 2018

  • 基于渐进尺度扩张网络的形状稳健文本检测

    本文介绍了一种名为PSENet的新型逐步缩放扩展网络，能够高精度检测任意形状的场景文字，该方法不仅能够解决任意形状文字的不准确问题，还能有效地解决邻近两个文本集实例合并等问题。

    Mar, 2019

  • 文本检测的字符区域认知

    提出了一种使用神经网络2来检测场景文本的新方法，在字符级别推断文本区域，采用新的关联表示法来估算字符背景。通过使用合成图像的给定字符级别注释和学习的中间模型获得的真实图像的估计字符级别地面真实性，也解决了缺少单独字符级别注释的问题，在6个基准测试上广泛的实验中，包括在自然图像中包含高度曲线文本，如TotalText和CTW-1500数据集，证明了我们的字符级文本检测比最先进的探测器显着优越。根据结果，我们的方法保证了在检测复杂的场景文本图像（如任意定向，曲线或变形文本）方面具有高度的灵活性。

    Apr, 2019

  • 自适应文本区域表示的任意形状场景文本检测

    提出了使用适应性文本区域表示的鲁棒场景文本检测方法，利用文本区域提案网络提取文本提案，再通过细化网络对提案进行验证和优化。实验结果在五个基准上表明，这种方法在场景文本检测方面达到了最先进水平。

    May, 2019

  • 只需边界：面向任意形状的文本识别

    该论文提出了一个基于端到端文本检测的点定位方法，通过定位文本边界上的一组点，建立了一种简单而有效的方案，可读取任意形状的文本，并在ICDAR2015，TotalText和COCO-Text三个数据集上展开实验，实验结果表明，该方法在场景文本检测和端到端文本识别任务上均超过了现有技术水平。

    Nov, 2019

  • ABCNet: 自适应Bezier曲线网络的实时场景文本定位

    本研究提出在文字检测和识别中应用自适应贝塞尔曲线网络(ABCNet)以适应任意形状文字，通过设计新颖的BezierAlign层提取准确的卷积特征。ABCNet相较于现存方法具有更高的速度和准确性，适用于实时应用。

    Feb, 2020

  • ContourNet: 迈向准确任意形状场景文本检测的更远一步

    该论文提出了一种名为ContourNet的算法来解决场景文本检测中出现的误检和规模变化困难的问题，并通过Adaptive Region Proposal Network和Local Orthogonal Texture-aware Module两个模块达到了更为准确的任意形状文本检测。

    Apr, 2020

  • 实时端到端文本检测的自适应贝塞尔曲线网络-ABCNet v2

    本论文介绍了一种适应性贝塞尔曲线网络v2 (ABCNet v2) 的方法，该方法通过贝塞尔曲线适应性地拟合任意形状的文本，设计新颖的BezierAlign层提高了识别精度，简化了流程，并通过简单但有效的坐标卷积进一步提高了性能，经过实验证明在各种双语基准数据集上实现了最先进的性能。

    May, 2021