ADSP实验室在人工智能顶级期刊TCSVT上发表学术论文

我实验室视频小组题为“All You Need is a Second Look: Towards Arbitrary-Shaped Text Detection”的学术论文被人工智能期刊TCSVT接收。

场景文本检测（Scene Text Detection, STD）是机器视觉理解中的一项重要研究内容，目标是检测视觉场景中语意文本的位置。相比传统的通用物件检测任务，STD任务需要在复杂的视觉背景中检测出的文本位置。

现有的主流方法遵循实例分割路线来获取文本区域。然而，任意形状的文本由于尺度的不同，很难通过单一的分割网络来描述。在本文中，我们提出了一种基于两阶段分割的检测器，称为NASK (Need a Second looK)，用于任意形状的文本检测。

图：NASK模型图

与传统的单阶段分割网络相比，我们的NASK以一种从粗到细的方式进行检测，第一阶段分割定位矩形文本，第二阶段输出紧凑表示。具体来说，NASK由一个文本实例分割(TIS)网络(第一阶段)、一个几何感知的文本RoI对齐(GeoAlign)模块和一个基准点表达(FOX)模块(第二阶段)组成。首先，TIS通过空间和通道注意力(GSCA)模块提取增强特征，并进行实例分割，获得矩形检测结果; 然后，GeoAlign将这些矩形转换为固定大小，并编码RoI-wise特征表示。最后，FOX将文本实例分解为几个关键的几何属性来细化检测结果。

本文在Total-Text、SCUTCTW1500、ICDAR 2015和ICDAR 2017 MLT四个公共基准上进行了充分实验，验证了我们的NASK优于最新的最先进的方法(84.4% H-mean in Total-Text)。

TCSVT是CCF推荐的B类会议，中科院JCR分区一区期刊，影响因子为4.133。视频小组内曹蒙为该论文的第一作者，邹月娴教授为通讯作者。