自下而上进化

起
非文本节点？
关系，视觉特征
特征性，连通性?
非文本区域会影响正确率
内容信息的延迟性?
轮廓定位点，分类区域
多项式曲线，二分线分割
平衡定位点和字符级信息，延迟性/滞后性
提出位置感知转换模型，融合关系和视觉特征
仍是图像生成，引导
密集，部分重叠，保持流线：弱监督GCN
向后传播抑制错误
整体修改变片段修改
片段重叠后，聚集信息与视觉，关系推理相结合
1，重叠密集信息采取
2，近似分组轮廓取代定位点来推理轮廓
3，进化了（这他么也算
CTPN，SegLink，连接预测（八方位
然后是弯曲文本，边框变轮廓，TextSnake，角度加半径圆适应更弯的文本，此开始考虑几何和视觉特征
GCN融合几何，视觉，关系特征
PuzzleNet融合文段，角度差异小于5°
DPRG缩小文本段，更好的分组文本段，但仍是路由寻找？
区分文本非文本区域：1，可增强文本特征
文本字级，字符级，全局级特征
ContourNet,二维分析文本图像来抑制非文本（垂直和竖直
卷积中的通道数?
映射的文本实例？
引导文本区域建设
弱监督分出字，文本，全局在喂入GCN学习三特征
多重特征图像，文本连接，节点类型
几何特征：高度，角度，宽度
流线：较小的宽度，可利用连接形状去估计文本实例的形状
文本段小：可更好的区分字符，字符和单词间距，可更好的抑制错误
按比例缩小特征图像？
密集重叠的文本段：得到字符级，领接级特征（内容
：为三维映射下的特征图中的像素生成各小矩阵
保持密度和连通性为适应任意形状
文本段：字符，区间，非文本段（喂入GCN
（抑制错误吧，分清区间和非文本段：字符级注释，映射，空格间隔，颜色区分
为何要筛选非文本段间的区间段？
加入ground truth助于训练注释的添加，注释有助于文本段的分类
1卷积和3*3卷积：
关系预测和密集文本重叠：保证了近似轮廓的完整性和正确性
文本段的长期依赖性
视觉相似性，序列特征，几何特征
非相邻的文本段可能仍存在连接