{"notes":[{"id":"text-detection/textsnake","category":"text-detection","legacyPath":"text-detection/1807-textsnake","legacySlug":"1807-textsnake","legacyPaths":[],"title":"TextSnake","subtitle":"文字蛇","author":"Z. Yuan","paperDate":"2018-07-04","publishedOn":"2024-09-12","paperTitle":"TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes","paperUrl":"https://arxiv.org/abs/1807.01544","bibliography":{"title":"TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes","authors":["Shangbang Long","Jiaqiang Ruan","Wenjie Zhang","Xin He","Wenhao Wu","Cong Yao"],"url":"https://arxiv.org/abs/1807.01544","pdfUrl":"https://arxiv.org/pdf/1807.01544","codeUrl":null,"preprint":{"id":"1807.01544","submittedOn":"2018-07-04","url":"https://arxiv.org/abs/1807.01544"},"publication":{"venue":"ECCV","year":2018,"kind":"conference","url":"https://arxiv.org/abs/1807.01544"},"citation":"@misc{textdetectiontextsnake2018,\n  title = {{TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes}},\n  author = {Shangbang Long and Jiaqiang Ruan and Wenjie Zhang and Xin He and Wenhao Wu and Cong Yao},\n  year = {2018},\n  eprint = {1807.01544},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1807.01544}\n}\n","citationPath":"/content/papers/citations/text-detection/textsnake.dd72d6893bcb.bib"},"thumbnail":{"src":"/content/papers/assets/dddfcc8c5121336aa097f4f291d7f1a9febcd14cbc5fd4f904a696e0ab772195.jpg","width":1224,"height":828},"locale":"zh-hans","path":"/content/papers/zh-hans/text-detection/textsnake.a78ec1684bba.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"表示方式","text":"表示方式","depth":3},{"id":"模型架构","text":"模型架构","depth":3},{"id":"文字蛇推论","text":"文字蛇推论","depth":3},{"id":"标注生成方式","text":"标注生成方式","depth":3},{"id":"损失函数","text":"损失函数","depth":3},{"id":"训练数据集","text":"训练数据集","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"弯曲文本实验结果","text":"弯曲文本实验结果","depth":3},{"id":"icdar2015-实验结果","text":"ICDAR2015 实验结果","depth":3},{"id":"msra-td500-实验结果","text":"MSRA-TD500 实验结果","depth":3},{"id":"可视化结果","text":"可视化结果","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-detection/fcenet","relation":"comparison","topic":"如何表示弯曲文字的边界"},{"id":"text-detection/textbpn","relation":"comparison","topic":"如何表示弯曲文字的边界"}]},{"id":"text-detection/fcenet","category":"text-detection","legacyPath":"text-detection/2104-fcenet","legacySlug":"2104-fcenet","legacyPaths":[],"title":"FCENet","subtitle":"傅里叶的指引","author":"Z. Yuan","paperDate":"2021-04-21","publishedOn":"2024-12-03","paperTitle":"Fourier Contour Embedding for Arbitrary-Shaped Text Detection","paperUrl":"https://arxiv.org/abs/2104.10442","bibliography":{"title":"Fourier Contour Embedding for Arbitrary-Shaped Text Detection","authors":["Yiqin Zhu","Jianyong Chen","Lingyu Liang","Zhanghui Kuang","Lianwen Jin","Wayne Zhang"],"url":"https://arxiv.org/abs/2104.10442","pdfUrl":"https://arxiv.org/pdf/2104.10442","codeUrl":null,"preprint":{"id":"2104.10442","submittedOn":"2021-04-21","url":"https://arxiv.org/abs/2104.10442"},"publication":{"venue":"CVPR","year":2021,"kind":"conference","url":"https://arxiv.org/abs/2104.10442"},"citation":"@misc{textdetectionfcenet2021,\n  title = {{Fourier Contour Embedding for Arbitrary-Shaped Text Detection}},\n  author = {Yiqin Zhu and Jianyong Chen and Lingyu Liang and Zhanghui Kuang and Lianwen Jin and Wayne Zhang},\n  year = {2021},\n  eprint = {2104.10442},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2104.10442}\n}\n","citationPath":"/content/papers/citations/text-detection/fcenet.81765e3992cd.bib"},"thumbnail":{"src":"/content/papers/assets/3063f34429cdbd7db7c76992118562af042f0bba5aa43e145d247d0b6a61a0f5.jpg","width":1900,"height":606},"locale":"zh-hans","path":"/content/papers/zh-hans/text-detection/fcenet.dd6ee4eaedf9.md","headings":[{"id":"傅里叶变换","text":"傅里叶变换","depth":2},{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"傅里叶轮廓嵌入","text":"傅里叶轮廓嵌入","depth":3},{"id":"fce-采样流程","text":"FCE 采样流程","depth":3},{"id":"模型架构","text":"模型架构","depth":3},{"id":"损失函数","text":"损失函数","depth":2},{"id":"训练数据集","text":"训练数据集","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"fce-评估","text":"FCE 评估","depth":3},{"id":"消融实验","text":"消融实验","depth":3},{"id":"泛化能力","text":"泛化能力","depth":3},{"id":"和其他方法的比较","text":"和其他方法的比较","depth":3},{"id":"高度曲线文字","text":"高度曲线文字","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-detection/textsnake","relation":"comparison","topic":"如何表示弯曲文字的边界"},{"id":"text-detection/textbpn","relation":"comparison","topic":"如何表示弯曲文字的边界"}]},{"id":"text-detection/textbpn","category":"text-detection","legacyPath":"text-detection/2107-textbpn","legacySlug":"2107-textbpn","legacyPaths":[],"title":"TextBPN","subtitle":"再访图卷积","author":"Z. Yuan","paperDate":"2021-07-27","publishedOn":"2024-09-16","paperTitle":"Adaptive Boundary Proposal Network for Arbitrary Shape Text Detection","paperUrl":"https://arxiv.org/abs/2107.12664","bibliography":{"title":"Adaptive Boundary Proposal Network for Arbitrary Shape Text Detection","authors":["Shi-Xue Zhang","Xiaobin Zhu","Chun Yang","Hongfa Wang","Xu-Cheng Yin"],"url":"https://arxiv.org/abs/2107.12664","pdfUrl":"https://arxiv.org/pdf/2107.12664","codeUrl":null,"preprint":{"id":"2107.12664","submittedOn":"2021-07-27","url":"https://arxiv.org/abs/2107.12664"},"publication":{"venue":"ICCV","year":2021,"kind":"conference","url":"https://arxiv.org/abs/2107.12664"},"citation":"@misc{textdetectiontextbpn2021,\n  title = {{Adaptive Boundary Proposal Network for Arbitrary Shape Text Detection}},\n  author = {Shi-Xue Zhang and Xiaobin Zhu and Chun Yang and Hongfa Wang and Xu-Cheng Yin},\n  year = {2021},\n  eprint = {2107.12664},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2107.12664}\n}\n","citationPath":"/content/papers/citations/text-detection/textbpn.9e71d4a32e7d.bib"},"thumbnail":{"src":"/content/papers/assets/79a3a7b5165f9c768d98a8fbef10ff930c945a3946795260203edcb8cf15c5e2.jpg","width":1834,"height":674},"locale":"zh-hans","path":"/content/papers/zh-hans/text-detection/textbpn.6d36c75cd95e.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"模型架构","text":"模型架构","depth":3},{"id":"backbone--neck","text":"Backbone + Neck","depth":3},{"id":"边界提议生成","text":"边界提议生成","depth":3},{"id":"自适应边界变形","text":"自适应边界变形","depth":3},{"id":"训练数据集","text":"训练数据集","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"消融实验","text":"消融实验","depth":3},{"id":"曲线文字实验结果","text":"曲线文字实验结果","depth":3},{"id":"msra-td500-实验结果","text":"MSRA-TD500 实验结果","depth":3},{"id":"可视化结果","text":"可视化结果","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"text-detection/textsnake","relation":"comparison","topic":"如何表示弯曲文字的边界"},{"id":"text-detection/fcenet","relation":"comparison","topic":"如何表示弯曲文字的边界"}]}],"text":"我们觉得这篇论文特别有趣，这就一起来看看吧！\n\n## 定义问题\n\n![problem](/content/papers/assets/e657bba2000a4bd7ca54bdd15edee6c115d5115441a85c3ffe2c5f14a517637c.jpg)\n\n文本的形状千奇百怪，变化多端。\n\n然而，大多数现有的文本检测方法都有一个强烈的假设，即文本实例大致呈线性形状，因此采用相对简单的表示法（轴对齐矩形、旋转矩形或四边形）来描述它们。尽管这些方法在标准基准测试上取得了进展，但在处理不规则形状的文本实例（例如弯曲文本）时可能会不足。但不论是哪一种表示方式，都无法很好地拟合文本的形状。\n\n为了解决这个问题，作者大胆地提出了一个圆盘式的文本检测方式，该表示法以一系列有序的、重叠的圆盘描述文本，每个圆盘位于文本区域的中心轴并与潜在可变的半径和方向相关联。由于其形状类似于蛇，因此取其名称为 **TextSnake**。\n\n## 解决问题\n\n### 表示方式\n\n![solution](/content/papers/assets/2b66b4416cc2a763cd225728b4d2beb7433ee3de4686affe5fd5a31e14b395ee.jpg)\n\nTextSnake 通过一系列重叠圆盘来表示文本，这些圆盘可以灵活应对旋转、缩放及弯曲等变化。每个圆盘位于文本的中心线，并附有半径与方向等几何属性，能适应文本的旋转、缩放及弯曲。一个文本范例 $t$ 由数个字符组成，可以视为有序的圆盘序列 $S(t)$：\n\n$$\nS(t) = \\{D_0, D_1, \\cdots, D_i, \\cdots, D_n\\}\n$$\n\n其中 $D_i$ 表示第 $i$ 个圆盘，从 $D_0$ 到 $D_n$ 共 $n+1$ 个圆盘。每个圆盘 $D$ 具有几何属性 $D = (c, r, \\theta)$，其中 $c$ 是圆盘的中心，$r$ 是圆盘的半径，$\\theta$ 是圆盘的方向。\n\n圆盘的半径 $r$ 定义为文本宽度的一半，方向 $\\theta$ 则是中心线在中心 $c$ 附近的切线方向。文本区域 $t$ 可以通过计算序列 $S(t)$ 中所有圆盘的并集来重建。\n\n\n> [!TIP]\n> \n> **特别注意**：这些圆盘并不对应于具体的文本字符，但这些几何属性可以用来矫正不规则形状的文本，将其转换为矩形、直线的图像区域，方便文本识别器处理。\n\n\n### 模型架构\n\n![multi-scale](/content/papers/assets/e0dea98fe9e3f03409664bb1ead4c5bac1e9b945229a054dec558eb45c5d405d.jpg)\n\n模型设计的部分，一开始是个中规中矩的操作。\n\n我们会需要先挑选一个 Backbone 网络，这边可以选用 VGG16 或是 ResNet 之类的。然后搭配特征融合的技巧，这边作者选用 U-Net 架构的融合概念，将不同尺度的特征图进行融合。\n\n整体来说，沿用 FCN 的方式，就是使用端到端的像素预测，不配置任何 Linear 层，直接输出像素级的预测结果。\n\n\n> [!TIP]\n> \n> 不是完全按照 U-Net 说的来，里面有一点小更改。但大方向是一样的，就是向上拼接融合。\n\n\n---\n\n![model](/content/papers/assets/dddfcc8c5121336aa097f4f291d7f1a9febcd14cbc5fd4f904a696e0ab772195.jpg)\n\n接着是预测头的设计。\n\n这里选用融合分支上采样至输入图像尺寸的特征，直接预测文本的几个几何属性：\n\n1. **TCL（Text Center Line）**：文本中心线，区分是否为文本区域，共 2 个通道。\n2. **TR（Text Region）**：文本区域，区分文本的范围，共 2 个通道。\n3. **Radius**：圆盘的半径，用来描述文本的宽度，共 1 个通道。\n4. **cos($\\theta$) 和 sin($\\theta$)**：圆盘的方向，用来描述文本的旋转，各自使用 1 个通道，共 2 个通道。\n\n所以输出总共有 7 个通道，通过这几个属性来描述文本的形状。以 TR 遮罩 TCL 后得到文本核心区域，再用 disjoint-set 将不相连的 TCL 像素分成不同文本实例。\n\n### 文字蛇推论\n\n![inference](/content/papers/assets/0f6cc5c88785ff4e4a0cc4d6a3e10fd2a9c65d645d0d86c4bf797e97138a838e.jpg)\n\n作者提出了一个「跨步算法」（striding algorithm）来精确预测文本的形状和路径。\n\n如上图所示，首先随机选择一个像素作为起始点，并将其**集中**（Centralizing）。接着在两个相反方向进行搜索，进行**跨步**（Striding）和集中，直到到达文本的两端。\n\n此过程会生成两个有序的点列表，分别代表文本实例的两端，最终合并这两个列表产生中心轴列表，准确描述文本的形状。\n\n---\n\n这三个主要动作的详细说来是这样：\n\n![inference](/content/papers/assets/00f61567bd6602c4479df6270145abfe9ee730c0fab79899834856090db10346.jpg)\n\n- **Act(a) 中心化（Centralizing）**：\n\n  如上图所示，给定 TCL 上的一个点，可以分别画出切线和法线（虚线为切线，实线为法线）。利用几何图，找到法线与 TCL 区域的交点，交点的中点即为**集中点**。\n\n- **Act(b) 跨步（Striding）**：\n\n  算法向下一个点进行跨步搜索，通过几何图来计算每一步的位移：\n\n  $$\\left( \\frac{1}{2}r \\cos\\theta, \\frac{1}{2}r \\sin\\theta \\right)$$ 和 $$\\left( -\\frac{1}{2}r \\cos\\theta, -\\frac{1}{2}r \\sin\\theta \\right)$$\n\n  若下一步超出 TCL 区域，则逐渐减少跨步长度，直到进入 TCL 区域或到达文本的末端。\n\n- **Act(c) 滑动（Sliding）**：\n\n  算法沿着中心轴进行迭代，并沿着中心轴画圆。圆的半径由几何图中的 $r$ 图获取。圆覆盖的区域即为预测的文本实例。\n\n作者利用几何图和精确描述文本路径的 TCL，不仅能检测文本，还能预测其形状和路径。跨步算法避免了遍历所有相关像素的低效处理。重建后，还会滤除 TCL 像素数少于平均半径的 0.2 倍，或重建区域内不足一半像素被判为 TR 的候选实例。这个推论过程结合了几何特征和跨步搜索，处理文本检测和形状重建。\n\n### 标注生成方式\n\n![inference](/content/papers/assets/36e68a81a1bf697fd47fd3d9b3908931c527028a44743466d46ec838a62b75f0.jpg)\n\n假设文本实例为「蛇形」，即不会分叉成多条路径。对于蛇形的文本实例，其头尾的两条边是平行但方向相反的。\n\n给定一个由顶点 $\\{v_0, v_1, v_2, \\dots, v_n\\}$ 组成的文本实例，依顺时针或逆时针排列。\n\n为每条边 $e_{i,i+1}$ 定义一个度量值：$$M(e_{i,i+1}) = \\cos\\langle e_{i+1,i+2}, e_{i-1,i}\\rangle$$，两个 $M$ 值最接近 $-1$ 的边被认为是头尾边，例如上图中的 AH 和 DE。\n\n\n> [!TIP]\n> \n> 计算两条边的夹角，可以通过计算两条边的单位方向向量内积来获得，值域为 $[-1, 1]$；当两条边同向时为 1，垂直时为 0，反向时为 -1。\n\n\n在头尾边之间的两条侧边上，均匀采样相同数量的锚点（anchor points），如上图中的 ABCD 和 HGFE。TCL 点是对应锚点的中点。将 TCL 的两端缩短 $\\frac{1}{2} r_{end}$ 个像素，以确保 TCL 在 TR 内部，这样有助于网络学习分离相邻的文本实例，其中 $r_{end}$ 是 TCL 端点的半径。为了避免 TCL 成为单点线而受噪声影响，将 TCL 区域扩展 $\\frac{1}{5} r$。\n\n对于每个 TCL 点：\n\n1. $ r $ 计算为该点到相应边的距离。\n2. $ \\theta $ 通过在邻域内拟合直线来计算 TCL 点的方向。\n\n对于非 TCL 像素，将其对应的几何属性设为 0 以便处理。\n\n### 损失函数\n\n模型的总损失函数定义为：\n\n$$\nL = L_{\\text{cls}} + L_{\\text{reg}}\n$$\n\n其中，$L_{\\text{cls}}$ 表示分类损失，$L_{\\text{reg}}$ 表示回归损失。\n\n- **分类损失（$L_{\\text{cls}}$）**：\n\n  $L_{\\text{cls}}$ 包含 TR（文本区域）和 TCL（文本中心线）的分类损失：\n\n  $$\n  L_{\\text{cls}} = \\lambda_1 L_{\\text{tr}} + \\lambda_2 L_{\\text{tcl}}\n  $$\n\n  其中，$L_{\\text{tr}}$ 和 $L_{\\text{tcl}}$ 为 TR 和 TCL 的交叉熵损失。\n\n  为了提升模型的效果，对 TR 损失采用了「**在线困难负样本挖掘**」（Online Hard Negative Mining），并将负样本与正样本的比例控制在最多 3:1。对于 TCL 损失，只考虑 TR 区域内的像素，且不采用样本平衡方法。\n\n- **回归损失（$L_{\\text{reg}}$）**：\n\n  回归损失包括对 $r$（半径）、$\\cos\\theta$ 和 $\\sin\\theta$ 的回归损失：\n\n  $$\n  L_{\\text{reg}} = \\lambda_3 L_r + \\lambda_4 L_{\\sin} + \\lambda_5 L_{\\cos}\n  $$\n\n  回归损失使用 Smoothed-L1 loss 计算：\n\n  $$\n  \\begin{pmatrix}\n  L_r \\\\\n  L_{\\cos} \\\\\n  L_{\\sin}\n  \\end{pmatrix} = \\text{SmoothedL1} \\begin{pmatrix}\n  \\frac{\\hat{r} - r}{r} \\\\\n  \\hat{\\cos\\theta} - \\cos\\theta \\\\\n  \\hat{\\sin\\theta} - \\sin\\theta\n  \\end{pmatrix}\n  $$\n\n  其中，$\\hat{r}$、$\\hat{\\cos\\theta}$ 和 $\\hat{\\sin\\theta}$ 是预测值，而 $r$、$\\cos\\theta$ 和 $\\sin\\theta$ 是对应的真实值。\n\n损失函数中的权重常数 $\\lambda_1, \\lambda_2, \\lambda_3, \\lambda_4, \\lambda_5$ 在实验中都设为 1。\n\n### 训练数据集\n\n- **SynthText**\n\n  该数据集用于对模型进行预训练。这是一个大规模数据集，包含约 80 万张合成图像。这些图像由自然场景与随机字体、大小、颜色和方向的文本混合而成，具有很高的现实感。\n\n- **CTW1500**\n\n  CTW1500 是一个针对长曲线文本检测的挑战性数据集，由 Yuliang 等人建构。该数据集包含 1000 张训练图片和 500 张测试图片。不同于传统文本数据集（如 ICDAR 2015、ICDAR 2017 MLT），CTW1500 的文本实例是由 14 个点的多边形标注，可以描述任意曲线文本的形状。\n\n- **Total-Text**\n\n  Total-Text 是一个新发布的曲线文本检测数据集，包含水平、多方向及曲线文本实例。该基准数据集包括 1255 张训练图片和 300 张测试图片。\n\n- **ICDAR 2015**\n\n  ICDAR 2015 是文本检测中常用的数据集，包含 1500 张图片，其中 1000 张用于训练，剩下的用于测试。文本区域由四个顶点的四边形标注。\n\n- **MSRA-TD500**\n\n  这是一个多语言、任意方向和长文本行的数据集。包含 300 张训练图像和 200 张测试图像，文本行标注为行级标注。由于训练集较小，实验中加入了 HUST-TR400 数据集的图像作为训练数据。\n\n## 讨论\n\n### 弯曲文本实验结果\n\n\n![total-text](/content/papers/assets/333ea2872bb6dfcd9a50a1d6636bcb6bde5b889bd916812e7960753c6f35be99.jpg)\n\n\nTotal-Text 实验结果\n\n\n\n\n\n![ctw1500](/content/papers/assets/ac7d6b4633a1f855e9488783f27e51a8cd5f09a1ca72024667acc9d29b2ba636.jpg)\n\n\nCTW1500 实验结果\n\n\n\n\n---\n\n在这两个数据集上，微调模型在大约 5000 次迭代后停止。在 Total-Text 上，阈值 $T_{\\text{tr}}$ 和 $T_{\\text{tcl}}$ 分别设为 0.4 和 0.6；在 CTW1500 上，分别设为 0.4 和 0.5。\n\n测试中，Total-Text 的所有图像都被缩放为 512 × 512 大小，而 CTW1500 中的图像不做缩放，因为其图像尺寸较小（最大为 400 × 600）。\n\n在 Total-Text 上，该方法在精度、召回率和 F 值上分别达到 82.7%、74.5% 和 78.4%；表中的 EAST 和 SegLink 未在 Total-Text 微调，仅供参考。相较原数据集论文提供的 DeconvNet 基准，F 值从 36.0% 提升至 78.4%。\n\n在 CTW1500 上，该方法的精度、召回率和 F 值分别为 67.9%、85.3% 和 75.6%，F 值比 CTD+TLOC 高出 2.2 个百分点（75.6% 对比 73.4%）；其 Precision 较低，Recall 较高。\n\n这些结果证明了该方法能够有效处理自然场景中的弯曲文本。\n\n### ICDAR2015 实验结果\n\n![icdar2015](/content/papers/assets/ba35d648fb3c29b7a8e93884e0ac5756c83e15f3fdefc81a64997323ed47a35f.jpg)\n\n微调模型在 ICDAR 2015 上于大约 30000 次迭代后停止。\n\n测试中，所有图像被缩放为 1280 × 768 大小，阈值 $T_{\\text{tr}}$ 和 $T_{\\text{tcl}}$ 设为 0.4 和 0.9。因为 ICDAR 2015 中包含许多未标注的小文本，预测的矩形如果短边小于 10 像素或面积小于 300，会被滤除。\n\n在 ICDAR 2015 上，作者将预测文本区域拟合成最小外接矩形进行评估；单尺度测试的 F 值为 82.6%，高于表中多数方法，但低于 PixelLink 的 83.7%。\n\n### MSRA-TD500 实验结果\n\n![msra-td500](/content/papers/assets/a763b547165fa33f272fe7860aa9237f3fa9c233e553105e17f6fabd83936062.jpg)\n\n微调模型在 MSRA-TD500 上于约 10000 次迭代后停止。\n\n测试中，所有图像被缩放为 1280 × 768 大小，阈值 $T_{\\text{tr}}$ 和 $T_{\\text{tcl}}$ 设为 0.4 和 0.6。\n\n作者同样将预测区域拟合成最小外接矩形评估，F 值达到 78.3%，比表中次高的 PixelLink 高 0.5 个百分点；其 Precision 和 Recall 并非各列最高。\n\n\n> [!TIP]\n> \n> 效果不错，就是太慢了。\n\n\n### 可视化结果\n\n![visualization](/content/papers/assets/47ab883d77f6acd804a638cbf301f5f2e2ffda63854a1ad319903ef456eb7d4a.jpg)\n\n上排的黄色轮廓是预测结果、绿色轮廓是标注；下排的红色与黄色分别显示 TR 和 TCL 的分数图。弯曲文本的中心线跟随文本走向。\n\n## 结论\n\n传统方法在处理弯曲文本时，往往会失去文本的几何细节，导致文本识别的准确度下降。\n\nTextSnake 的主要贡献在于定位不规则形状的文本，它的灵活性和几何描述能力为后续的文本识别提供了更精确的基础。通过精确的曲线跟踪和中心线定位，能够生成更规范的文本区域，这对自然场景中进行端到端的文本识别有极大的帮助。\n\n在论文中，作者也展示了基于 TextSnake 的展平结果：\n\n![flatten](/content/papers/assets/d0830436ddf245b87aff7b173f44edf0d630551380c335f4440e479806c6b82c.jpg)\n\n未来的研究方向将聚焦于开发端到端的文本检测与识别系统，这是 TextSnake 的自然延伸。\n\n若能将该模型与强大的文本识别算法结合，不仅可以应对更多类型的场景文本，还能进一步提升识别准确度和效率。\n","imageSizes":{"/content/papers/assets/e657bba2000a4bd7ca54bdd15edee6c115d5115441a85c3ffe2c5f14a517637c.jpg":{"width":1708,"height":388},"/content/papers/assets/2b66b4416cc2a763cd225728b4d2beb7433ee3de4686affe5fd5a31e14b395ee.jpg":{"width":1188,"height":892},"/content/papers/assets/e0dea98fe9e3f03409664bb1ead4c5bac1e9b945229a054dec558eb45c5d405d.jpg":{"width":1224,"height":540},"/content/papers/assets/dddfcc8c5121336aa097f4f291d7f1a9febcd14cbc5fd4f904a696e0ab772195.jpg":{"width":1224,"height":828},"/content/papers/assets/0f6cc5c88785ff4e4a0cc4d6a3e10fd2a9c65d645d0d86c4bf797e97138a838e.jpg":{"width":1224,"height":656},"/content/papers/assets/00f61567bd6602c4479df6270145abfe9ee730c0fab79899834856090db10346.jpg":{"width":1224,"height":444},"/content/papers/assets/36e68a81a1bf697fd47fd3d9b3908931c527028a44743466d46ec838a62b75f0.jpg":{"width":1508,"height":450},"/content/papers/assets/333ea2872bb6dfcd9a50a1d6636bcb6bde5b889bd916812e7960753c6f35be99.jpg":{"width":1224,"height":332},"/content/papers/assets/ac7d6b4633a1f855e9488783f27e51a8cd5f09a1ca72024667acc9d29b2ba636.jpg":{"width":1080,"height":468},"/content/papers/assets/ba35d648fb3c29b7a8e93884e0ac5756c83e15f3fdefc81a64997323ed47a35f.jpg":{"width":1224,"height":636},"/content/papers/assets/a763b547165fa33f272fe7860aa9237f3fa9c233e553105e17f6fabd83936062.jpg":{"width":1224,"height":552},"/content/papers/assets/47ab883d77f6acd804a638cbf301f5f2e2ffda63854a1ad319903ef456eb7d4a.jpg":{"width":1562,"height":622},"/content/papers/assets/d0830436ddf245b87aff7b173f44edf0d630551380c335f4440e479806c6b82c.jpg":{"width":1630,"height":454}}}
