摘要

任意形状文本的识别近年来受到越来越多的研究关注。然而，现有的文本检测与识别方法大多基于两阶段框架或基于字符的方法，普遍存在非极大值抑制（Non-Maximum Suppression, NMS）、感兴趣区域（Region-of-Interest, RoI）操作，或依赖字符级标注等问题。为解决上述挑战，本文提出一种全新的全卷积点汇聚网络（Point Gathering Network, PGNet），用于实时识别任意形状的文本。PGNet是一种单阶段文本检测与识别框架，通过引入新型的PG-CTC损失函数，实现了像素级字符分类图的端到端学习，无需依赖字符级别的标注信息。结合PG-CTC解码器，该方法能够从二维空间中汇聚高层字符分类向量，并直接解码为文本符号，整个过程不涉及NMS和RoI操作，从而保证了极高的运行效率。此外，为建模字符与其邻近字符之间的语义关系，本文进一步提出图结构优化模块（Graph Refinement Module, GRM），用于优化粗粒度识别结果，显著提升端到端识别性能。实验结果表明，所提方法在保持优异识别准确率的同时，大幅提升了运行速度。尤其在Total-Text数据集上，系统运行速度达到46.7 FPS，显著超越此前的先进方法。