摘要

基于深度学习的场景文字检测方法在过去几年中取得了显著成果。然而，由于自然场景的高度多样性和复杂性，现有的最先进文字检测方法在应用于实际环境中的图像时，仍可能产生大量误检。为了解决这一问题，我们主要受到Mask R-CNN的启发，在本文中提出了一种基于特征金字塔网络（Feature Pyramid Network, FPN）和实例分割的有效模型。我们提出了监督金字塔上下文网络（Supervised Pyramid Context Network, SPCNET），以精确定位文字区域并抑制误检。得益于语义信息的引导和共享FPN，SPCNET在引入少量额外计算的同时显著提升了性能。在标准数据集上的实验表明，我们的SPCNET明显优于现有最先进方法。具体而言，它在ICDAR2013上实现了92.1%的F值，在ICDAR2015上实现了87.2%的F值，在ICDAR2017 MLT上实现了74.1%的F值，在Total-Text上实现了82.9%的F值。