文档章节

TextBoxes: A Fast Text Detector with a Single Deep Neural Network论文阅读

clgo
 clgo
发布于 2017/08/11 16:03
字数 929
阅读 159
收藏 0

**论文主题:**使用改进版的SSD实现文本检测。

论文贡献:

  1. 提出了一个可以用在场景文本检测的神经网络模型。
  2. 提出了一个结合文字检测和识别的端到端框架。
  3. 模型在保证有高的预测精度情况下还可以保存高的计算效率。

通常场景文本识别任务可以被分为两个步骤,第一,定位场景文本位置;第二,对定位后的场景文本进行识别。本篇论文对这两方面都有涉及,但是主要是解决文本定位问题。

场景文本定位问题通常有三种实现方法。第一,先识别字符,再识别单词;第二,直接识别单词,Textboxes就是基于单词识别实现的;第三,基于文本行实现文本定位。

Textboxes的实现是基于SSD算法的改进,SSD主要是检测一般图像中的对象,在用于场景文本检测时是不鲁棒的,因此论文提出了text-box神经网络层解决这个问题,是一个针对场景文本检测的修改版SSD算法。场景文本识别可以采用CRNN的方法,CRNN可以直接对输入的场景文本图片给一个文本输出,同时,可以使用CRNN的识别置信度来调整Textboxes算法。 输入图片说明

输入图片说明![![![输入图片说明]

Textboxes网络继承了VGG-16网络,前13层网络不变。最后两个全连接层通过参数降采样改为卷积层,最后三层跟有一个卷积层和池化层,由3层变为9层,text-box层也叫多输出层,由6层卷积层构成,每个卷积层都采用非极大值抑制。Textboxes网络只有卷积层和池化层组成,因此在训练和测试过程中适合任意尺寸的图片输入。

On a map location (i, j) which associates a default box b0 = (x0, y0, w0, h0), the text-box layer predicts the values of (∆x, ∆y, ∆w, ∆h, c), indicating that a box b = (x, y, w, h) is detected with confidencec, where

  • x = x0 + w0∆x,
  • y = y0 + h0∆y,
  • w = w0 exp(∆w),
  • h = h0 exp(∆h).

由于单词长短不确定性,我们定义了6个默认的长短比例(1,2,3,5,7,10),这样默认框会在水平方向上很稠密,为了避免在垂直方面很稀疏,每个框都设置了垂直便宜。而且在text-box层使用15的卷积层,不采用默认的33卷积层,1*5的卷积层更适合较大区域比例的文本输入,也能避免正方形的文本比例。

损失函数:L(x, c, l, g) = 1/N(Lconf(x, c) + αLloc(x, l, g)) x:匹配表明矩阵 c:置信度 l:预测位置 g:标签位置 N:是与标签位置匹配的框数量 We adopt the smooth L1 loss (Girshick 2015) for Lloc and a 2-class softmax loss for Lconf.

可以对原始图片进行拉伸来增加滤波器对极端情况下单词长宽比的识别,这样会稍微增加计算规模,但是可以提高预测精度。 An input image is rescaled into five scales, including (widthheight) 300300, 700700, 300700, 500700, and 16001600. Note that some scales squeeze image horizontally, so that some “long” words are shortened. Multi-scale inputs boost detection accuracy while slightly increasing the computational cost. On ICDAR 2013, they further improve f-measure of detection by 5 percents. Detecting all five scales takes 0.73s per image, and 0.24s if we remove the last 1600*1600 scale。

非极大值抑制:http://blog.csdn.net/u014365862/article/details/53376516

实验结果: 定位

输入图片说明

text spotting和端到端识别:

![输入图片说明]

效果展示:

输入图片说明

© 著作权归作者所有

共有 人打赏支持
clgo
粉丝 2
博文 93
码字总数 36531
作品 0
郑州
深度学习论文集锦(中英文对照):图像分类、物体识别等

论文译介是新智元最受欢迎的内容之一,这非常好理解,如今几乎每天都会新增几十乃至几百篇新的论文,其中不乏佳作,而新智元的任务则是将优秀论文和研究成果介绍给读者。 然而这只是第一步,...

技术小能手
08/20
0
0
深度学习论文翻译

Deep Learning Papers Translation 如果觉得不错,可以去github给个star。 Image Classification ImageNet Classification with Deep Convolutional Neural Networks 中文版 中英文对照 Very......

Quincuntial
01/25
0
0
GiovanniのCVPR2017之行

Author: Zongwei Zhou | 周纵苇 Weibo: @MrGiovanni Email: zongweiz@asu.edu CVPR官网信息: CVPR录用论文集 CVPR 2017 open access CVPR的流程 PDF: (link) Word: (link) At-a-Glance Sum......

MrGiovanni
2017/07/22
0
0
干货 | 深度学习论文汇总

  AI 科技评论按:本文作者罗浩,AI 科技评论授权转载。   本文用于记录自己平时收集的一些不错的往年(截止至 2017 / 12 / 29)深度学习论文,近9成的文章都是引用量3位数以上的论文,剩...

AI科技评论
01/01
0
0
深度学习论文资源(截至2016年)

最近看到一篇不错的关于DL的论文索引(截止到2016年),内容质量还是很高的,都是些很经典的论文,值得一看,特此转载. 原文地址: http://www.dlworld.cn/YeJieDongTai/4385.html 从全局到枝...

Gavin__Zhou
2017/07/29
0
0

没有更多内容

加载失败,请刷新页面

加载更多

AOSP Build System —— Soong

Soong Soong is the replacement for the old Android make-based build system. It replaces Android.mk files with Android.bp files, which are JSON-like simple declarative descriptio......

雪落青山
29分钟前
1
0
Unity C# lock关键字的坑

Unity 5.6 环境下的 lock关键字,在特定的多线程环境下会死锁 崩溃 其中一种情况: 异步socket 操作,由于内部是一个线程池回调的异步回调,操作同一个对象时 lock关键字会概率出现死锁 闪退...

梦想游戏人
40分钟前
1
0
redis-hash

哈希类型是指健值本身又是一个键值对结构 基本命令: hset key field value 设置值 hget(获取),hdel(删除),hlen(计算field个数),hmget(批量设置),hexists(是否存在),hkeys(获取所有的...

拐美人
58分钟前
2
0
简单的svm例子

数据来源:https://github.com/oumiga1314/Coursera-ML-AndrewNg-Notes/blob/master/code/ex6-SVM/data/ex6data1.mat import pandas as pd import numpy as np import scipy.io as sio impor......

南桥北木
今天
1
0
android 关于View的一些整理

1、Button text的值为英文时,会自动转换成大写。如需取消,设置android:textAllCaps="false" 2、控件的可见性 可以在layout的配置文件中,配置android:visibility属性 调用setVisibility()...

西米小娅
今天
1
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部