高达82 fps的实时文本检测,可微分二值化模块

最新推荐文章于 2024-02-18 16:05:31 发布
最新推荐文章于 2024-02-18 16:05:31 发布
阅读量2.6k 收藏
点赞数
分类专栏： 深度学习宝典
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/103601483
版权

 

高达82 fps的实时文本检测,可微分二值化模块

 

 

https://github.com/MhLiao/DB

 

Real-time Scene Text Detection with Differentiable Binarization，出自华科白翔老师组，已中AAAI 2020 Oral，其在多个数据集上都取得了目前最好的精度，而且非常快，在输入图像size为512的设置下，可以实现高达82 fps的检测！

 

我自己在1070上的测试结果：

time 0.03690338134765625 torch.Size([1, 3, 480, 640])

AI算法网奇
关注
专栏目录
订阅专栏
OpenCV差分二值化的实时场景文本检测的实例(附完整代码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
04-27 369
OpenCV差分二值化的实时场景文本检测的实例OpenCV差分二值化的实时场景文本检测的实例 OpenCV差分二值化的实时场景文本检测的实例 OpenCV差分二值化的实时场景文本检测的实例(附完整代码) #include <iostream> #include <fstream> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> #include <opencv2/dnn/dnn.
AAAI-20 Oral | 旷视研究院提出可微分二值化，实现文字检测精度速度双重最佳
旷视开发者技术社区
12-11 1810
近年，基于分割的方法在场景文字检测领域很流行，即把分割方法产生的概率图转化为边界框和/文字区域；并且，二值化的后处理对这些方法而言很关键。本论文提出一种可微分二值化（DB）的方法，可在分...
高达82 fps的实时文本检测，华科AAAI2020提出可微分二值化模块
我爱计算机视觉
11-25 368
点击我爱计算机视觉标星，更快获取CVML新技术今天跟大家分享一篇近几天公布的关于实时场景文本检测的论文Real-time Scene Text Detection with Differ...
场景文本检测（一）-可微分二值化在基于语义分割方法的场景文本检测中的应用
tanglinjie的CSDN博客
03-07 1693
2020年AAAI的oral文章。 动机和Contributions 因为语义分割模型是pixel-level prediction，能够检测各种各样shape的文本区域，所以基于语义分割方法的场景文本检测目前非常流行。抛开语义分割网络，处理segmentation result相当关键了，目前现存的很多方法使用了不同的post-processing，但使用了类似的post-processin...
DB_text_minimal:[WIP] DB-Text的Pytorch实现-具有可微分二值化的实时场景文本检测
05-02
Pytorch实现 做出重要的事情。 命令 火车模型 在config.yaml中修改一些配置 make train 测试模型 make test-all 评估模型 有关评估指标，请参阅存储库 # iou-based Pascal make ioueval # overlap-based DetEval make deteval 历史记录（在TotalText数据集上） 火车数据 测试数据 测试数据集（TotalText） 热图 多边形 旋转矩形 文本行检测（在CTW1500数据集上训练的模型） 图像原点 检测到文字行 全流水线 在MJSynth和SynthText数据集上训练了识别模型 指标评估（DetEval-P / R / HMean） # for TotalText dataset make deteval 方法 图片大小 初始化 脱粒 脱粒 松开比
【第44篇】DBNet：具有可微分二值化的实时场景文本检测
AI浩
07-02 1377
最近，基于分割的方法在场景文本检测中非常流行，因为分割结果可以更准确地描述曲线文本等各种形状的场景文本。然而，二值化的后处理对于基于分割的检测至关重要，它将分割方法产生的概率图转换为文本的边界框/区域。在本文中，我们提出了一个名为Differential Binarization (DB) 的模块，它可以在分割网络中执行二值化过程。与 DB 模块一起优化后，分割网络可以自适应地设置二值化阈值，这不仅简化了后处理，但也提高了文本检测的性能。基于一个简单的分割网络，我们在五个基准数据集上验证了 DB 的性能改进
自适应边界建议网络实现任意形状文本检测
1305任意形状文本检测的自适应边界建议网络张世学1，朱晓斌1，杨春1，王宏发3，尹旭成1，2，41北京科技大学计算机与通信工程学院2科大讯飞人工智能联合实验室3腾讯科技（深圳）有限公司北京科技大学人工智能研究所...
场景文本检测算法 可微分二值化DBNet原理与代码解析
00000cj的博客
01-08 3376
论文https://arxiv.org/abs/1911.08947 代码https://github.com/WenmuZhou/DBNet.pytorch 官方解读https://megvii.blog.csdn.net/article/details/103502283 基于分割的文本检测方法后处理方法通常都是（1）设定固定阈值将分割模型得到的概率图转化为二值图（2）通过一些启发式方法例如像素聚类得到文本实例。本文的创新之处在于将二值化操作嵌入到分割网络中进行联合训练优化，图像中每点的阈...
旷世：高效准确的文字检测
小小小麦昆的博客
02-28 476
EAST文字检测网络 可以以很小的计算量，加在其他backbone之后改善检测效果 主讲人赵明明 具体，性能和准确率 fscore 0.757 , fps 16.8 , PVANet fps 16.8 channel乘以2倍，fps13.2 FCN+NMS EAST 详细 pipelline feature merging conv stage 包括conv pooling等、 多层...
DifferentiableBinarization:Keras和Tensorflow中的DB（具有可差分二值化的实时场景文本检测）实现
04-15
微分二值化 这是Keras和Tensorflow中的实现，大部分代码是从官方实现借用的。 建立资料集 以与官方实施相同的方式构建数据集。 datasets/total_text/train_images datasets/total_text/train_gts datasets/total_text/train_list.txt datasets/total_text/test_images datasets/total_text/test_gts datasets/total_text/test_list.txt 火车 python train.py您可以通过代码：jy6m或在TotalText上下载经过训练的模型权重 测试 python inference.py
sklearn实现二值化
qq_35358021的博客
11-16 812
import numpy as np from sklearn.preprocessing import Binarizer arr = np.array([ [1.5,2.3,1.9], [0.5,0.5,1.6], [1.1,2,0.2] ]) binarizer = Binarizer(threshold=2.0).fit(arr) binarizer.transform(arr) ...
【读点论文】Real-time Scene Text Detection with Differentiable Binarization，可微分二值化助力文字检测
最新发布
白水空空
02-18 669
标签生成。文本多边形的标注用红线表示。收缩多边形和扩张多边形分别用蓝线和绿线表示。label主要是两部分，probability map和threshold map；binary map和probability map共用一个ground truth。probability map：参考了PSENet的label方式。并不是简单将标注的文本域置为1，而是将文本域的"shrink"置为 1，相当于一个小的"kernel"，和PSENet一样，这样可以有效避免多行文本被检测成一行。
【OCR】文本检测方案 TextFuseNet解读
Tsuinosora
02-25 2683
TextFuseNet: Scene Text Detection with Richer Fused Features 🔗 PDF Link 🍺 Github Code 一些总结，非作者文章内容： 实质上是去通过文本检测中多级别的目标融合的方法来提升检测效果的，核心价值其实分两点来看 提出了一种利用Mask-RCNN的流程以及多分枝的结构实现多层特征融合方案，从全局特征->词特征+字符特征来提升文字检测效果。性能优势非常非常明显，但是对应的推理速度相对较慢ResNet-50的backbone下
【文本检测】DB:Real-time Scene Text Detection with Differentiable Binarization
chen1234520nnn的博客
04-15 4082
DB:Real-time Scene Text Detection with Differentiable Binarization 关键创新点：Differentiable Binarization(DB,可微分二值化)，作者提出了一种可微分的二值化方式，相比于传统的二值化操作，DB能够在网络中进行端到端训练。 一.网络整体流程 网络整体流程如下图所示： backbone提特征 + FPN结构 进行多尺度图像特征融合 FPN结构融合特征后会生成两个特征图 probability map(预测
文本检测算法----ContourNet(CVPR2020)
AI-Mei的博客
09-20 1891
ContourNet: Taking a Further Step toward Accurate Arbitrary-shaped Scene Text Detection1. 摘要1.1 文本检测目前存在的挑战1.2 解决方法1.3 算法性能2. Proposed Method2.1 Overall pipeline2.2 Adaptive Region Proposal Network2.3 Local Orthogonal Texture-aware Module2.4 Point Re-sco
文本检测(Text Detection)简要综述
热门推荐
Konata的博客
03-15 1万+
文本检测(Text Detection)是计算机视觉领域的经典问题，该技术旨在寻求一种可靠方法作为文本识别技术的前端，是目标检测(Object Detection)领域的一个子问题 检测(Detection)在计算机视觉中的位置 计算机视觉有四大基本任务: 分割(classification)、定位(检测localization、detection)、语义分割(Semantic segmentation)、实例分割(Instance segmentation) 这四个任务需要对图像的理解逐步深入。给定一
MhLiao/DB程序遇到的问题
Norton_Paige的博客
03-24 386
程序中要求的环境为pytorch1.2+cuda10.1，但是实验室的显卡为3090ti，3090系列显卡支持的最低cuda版本为11.1，cuda版本过低会报错。一开始是想完全按照要求的环境来，但是确实没办法降到那么低。DB不支持python3.8即以上的numpy，将Numpy换成3.7即可。这是因为修改过torch版本 解决方法：先删除build文件夹，再运行。没获取到图片，查看你图片的链接是否正确。，后来者按照这个环境跑应该是没问题的。经过了许多试错以后，终于得到可以。
文本检测 -- Differentiable Binarization
FionaDong的博客
07-22 336
1. Abstract Recently, segmentation-based methods are quite popular in scene text detection, as the segmentation results can more accurately describe scene text of various shapes such as curve text. However, the post-processing of binarization is essential
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值