MixNet：面向自然场景中困难文本的准确检测
计算机视觉与模式识别
2023-08-30 v2
摘要
在真实场景中检测小型场景文本实例尤其具有挑战性，其中不规则位置与非理想光照的影响常导致检测错误。我们提出 MixNet，一种结合 CNN 与 Transformers 优势的混合架构，能够准确检测来自困难自然场景的小型文本，而不受其方向、风格与光照条件影响。MixNet 包含两个关键模块：（1）作为骨干网络的特性洗牌网络（FSNet）；（2）利用场景文本一维流形约束的中心 Transformer 块（CTBlock）。我们首先在 FSNet 中引入一种新颖的特征洗牌策略，以促进跨多尺度的特征交换，生成优于流行 ResNet 和 HRNet 的高分辨率特征。FSNet 骨干网络相较许多现有文本检测方法（包括 PAN、DB 和 FAST）取得了显著改进。随后我们设计了一个互补的 CTBlock，利用基于中心线的特征（类似于文本区域的中轴），并表明在小型场景文本紧密出现的困难情况下，其性能优于基于轮廓的方法。大量实验结果表明，将 FSNet 与 CTBlock 混合的 MixNet 在多个场景文本检测数据集上取得了最先进（SOTA）结果。
引用
@article{arxiv.2308.12817,
title = {MixNet: Toward Accurate Detection of Challenging Scene Text in the Wild},
author = {Yu-Xiang Zeng and Jun-Wei Hsieh and Xin Li and Ming-Ching Chang},
journal= {arXiv preprint arXiv:2308.12817},
year = {2023}
}