场景文字识别综述

场景文字检测和识别的关键技术

网络架构

全卷积网络 FCN

• Fully convolutional network FCN 全卷积网络，没有全连接层的网络
• FCN可以生成用于有效语义分割的特征层次结构
  
• 由于多尺寸学习和预测的优点，符合场景文字的本质，许多文字识别方法把FCN作为它们的骨干（backbone）网络。
• 一般来说，首先，使用 FCN 得到像素级文本/非文本 salient map（突出点映射），它产生像素级标签或包含文本的标记区域。然后，生成文本候选边框。
• 通过利用 skip architecture of FCN（全连接网络的跳跃连接结构），不同尺寸的感受野（receptive fields RF）能够同时编码文本的局部特征和文本的全局上下文信息。

ResNet

• 越深的神经网络越难训练，因为精度可能饱和并且迅速下降，参数跟新比较困难
• 为了解决深层网络难训练的问题，提出了deep residual network（深度残差网络 ResNet），它的组成模块被定义为 y = F ( X , W i ) +