摘要

场景文字检测是场景文字识别系统中的一个关键步骤，旨在自动定位自然场景图像中的文字实例。近期的一些研究得益于Mask R-CNN，将场景文字检测任务视为实例分割问题，并取得了显著的性能提升。在本文中，我们提出了一种基于Mask R-CNN的新框架，称为金字塔掩模文字检测器（Pyramid Mask Text Detector, PMTD），用于处理场景文字检测。与现有的基于Mask R-CNN的方法生成的二值文本掩模不同，我们的PMTD在位置感知监督的指导下执行像素级回归，为每个文本实例生成更具信息量的软文本掩模。对于文本框的生成，PMTD将获得的二维软掩模重新解释为三维空间，并引入了一种新颖的平面聚类算法，以基于三维形状推导出最优的文本框。标准数据集上的实验表明，所提出的PMTD带来了持续且显著的性能提升，并明显优于现有最先进方法。具体而言，在ICDAR 2017 MLT数据集上，PMTD实现了80.13%的F值。