基于半监督与弱监督学习的自然场景图像弯曲文本检测
计算机视觉与模式识别
2019-08-28 v1
摘要
在真实场景中检测弯曲文本非常具有挑战性。近来,大多数最先进的方法基于分割且需要像素级标注。我们提出了一种新方案,仅使用少量像素级标注数据和大量以矩形标注甚至未标注的数据来训练准确的文本检测器。首先用像素级标注数据训练获得基线模型,然后用其标注未标注或弱标注的数据。在弱监督学习中,提出了一种利用真实边界框生成伪掩码标注的新策略。在CTW1500和Total-Text上的实验结果表明,我们的方法能大幅降低对像素级标注数据的需求。我们的方法也能很好地跨两个数据集泛化。所提方法仅使用10%像素级标注数据和90%矩形级弱标注数据,性能便可媲美最先进的方法。
引用
@article{arxiv.1908.09990,
title = {Curved Text Detection in Natural Scene Images with Semi- and Weakly-Supervised Learning},
author = {Xugong Qin and Yu Zhou and Dongbao Yang and Weiping Wang},
journal= {arXiv preprint arXiv:1908.09990},
year = {2019}
}
备注
Accepted by ICDAR 2019