场景文本检测与识别

场景文本检测和识别是相关但不同的任务。检测器通常通过生成框、多边形或分数图来定位图像中的文本区域。识别器读取裁剪区域并输出字符或单词序列。完整的系统必须连接各个阶段：无法识别遗漏的区域，裁剪不当的文本可能会使识别器感到困惑。自然图像添加透视、弯曲基线、可变字体、眩光、阴影、低分辨率和背景杂乱。 CVPR 论文中描述的 CRAFT 可以预测字符区域和字符亲和力分数。单个字符区域可以分组为文本实例，与刚性单词框相比，这可以帮助处理弯曲或不规则的形状。然后，一个单独的识别器读取每个检测到的区域。早期的 CRNN 研究将卷积特征与场景文本的序列建模和转录相结合。这些是设计方法的示例，并不保证每个管道都使用相同的架构。评估应该分别对检测和识别以及端到端进行评分。检测措施可以评估区域重叠或精确度和召回率；识别可以通过字符或单词错误来评估。包括方向、弯曲文本、语言、照明和代表使用的图像质量。保留原始图像并显示不确定的读数以进行更正，尤其是地址、产品代码或安全标签。场景文本系统解释像素；他们不验证指令的权威性、真实性或上下文。在裁剪的文本区域和完整的端到端图像上进行测试。