【论文】R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection

最新推荐文章于 2024-08-22 08:16:53 发布
原创 最新推荐文章于 2024-08-22 08:16:53 发布 · 2.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #人工智能 #计算机视觉

该研究提出了一种基于Faster R-CNN的新型文本检测框架，用于任意方向的场景文本。通过区域建议网络RPN生成水平候选框，结合多尺寸的ROI池化提取特征，并预测文本得分、水平和倾斜边界框。采用倾斜非极大值抑制NMS优化结果，特别针对小文本检测增加了小尺寸的anchor。该方法将文本检测转化为多任务问题，有效提高了任意方向文本的检测能力。

【总结】以Faster R-CNN为基础：

①使用区域建议生成网络RPN生成包围文本的水平边界框；

② 对预测出的每一个水平边界框，提取其不同池化尺寸的池化特征，同时利用聚合特征预测文本/非文本得分、水平边界框和最小倾斜框；

③利用倾斜非极大值抑制NMS获得最终结果。

一、引言

主要成果：

  • 引入了一个新的用于任意方向场景文本的检测框架。RPN用于生成水平候选框，改进后的Fast R-CNN用于分类和倾斜框的预测优化；
  • 将任意方向的文本检测转化为一个多任务问题。该方法的核心是对文本得分、水平框和最小倾斜框的预测；
  • 为了充分利用文本特征，对每个RPN候选框进行了多个尺寸的ROI池化，然后连接特征用于检测；
  • 在Faster R-CNN的基础上增加了一
最低0.47元/天 解锁文章
R2CNN 论文详解
dexterod的博客
04-25 4117
R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection R2CNN：旋转区域CNN用于方向鲁棒性的场景文本检测（29 Jun 2017 三星中国） 声明：笔者翻译论文仅为学习研究，如有侵权请联系作者删除博文，谢谢！ 源论文地址：https://arxiv.org/abs/1706.09579 笔者践行代码：h...
R2CNN 算法笔记
热门推荐
AI之路
09-01 1万+
论文：R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection 论文链接：https://arxiv.org/abs/1706.09579 这篇文章提出了R2CNN（Rotational Region CNN）算法解决旋转文本的检测。 Figure2是R2CNN算法的整体结构，主要是在Faster RCN...
R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection
09-10
In this paper, we propose a novel method called Rotational Region CNN (R2CNN) for detecting arbitrary-oriented texts in natural scene images. The framework is based on Faster R-CNN [1] architecture. First, we use the Region Proposal Network (RPN) to generate axis-aligned bounding boxes that enclose the texts with different orientations. Second, for each axis-aligned text box proposed by RPN, we extract its pooled features with different pooled sizes and the concatenated features are used to simultaneously predict the text/non-text score, axis-aligned box and inclined minimum area box. At last, we use an inclined non-maximum suppression to get the detection results. Our approach achieves competitive results on text detection benchmarks: ICDAR 2015 and ICDAR 2013.
R2CNN Rotational Region CNN
12-03
A Tensorflow implementation of FPN or R2CNN detection framework based on FPN . The paper references R2CNN Rotational Region CNN for Orientation Robust Scene Text Detection or Feature Pyramid Networks for Object Detection
《R2CNN：Rotational Region CNN for Orientation Robust Scene Text Detection》论文笔记
m_buddy的博客
05-12 1418
代码地址： R2CNN 1. 概述 这篇文章提出了R2CNN模型用于去检测自然场景下任意角度旋转的文本，该模型是基于Faster R-CNN结构的。该方法首先使用RPN网络在文本区域的坐标轴方向上产生不同的默认检测框，之后对每个方向的默认检测框的特征使用不同的池化尺寸进行池化融合，最后网络使用融合的特征去预测三个结果（输出）：是文本与不是文本的置信度、坐标轴方向的检测框（也就是不带角度的矩形框）...
【论文笔记】 R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection
dllTimes
07-31 5232
这篇文章主要的贡献点主要有两个： 1）在RROI 阶段，多尺度的pooling (7x7,3x11,11x3). 2）除了坐标对齐的bbox坐标回归，添加了inclined box的坐标回归（x1,y1,x2,y2,h）。[注：x1,y1,x2,y2分布是bbox按顺时针方向定义的两个角点] 网络结构如下： 该方法的训练集：1000（icdar15_trainingset）+ 2000
论文阅读笔记三：R2CNN：Rotational Region CNN for Orientation Robust Scene Text Detection(CVPR2017)...
weixin_33834910的博客
04-25 520
进行文本的检测的学习，开始使用的是ctpn网络，由于ctpn只能检测水平的文字，而对场景图片中倾斜的文本无法进行很好的检测，故将网络换为RRCNN（全称如题）。小白一枚，这里就将RRCNN的论文拿来拜读一下，也记录一下自己阅读过程中的收获。 原英文论文网址：https://arxiv.org/abs/1706.09579 在这篇论文中，作者提出了Rotational...
论文阅读 R2 -CNN: Fast Tiny Object Detection in Large-scale Remote Sensing Images
weixin_45935290的博客
07-25 442
最近，卷积神经网络在目标检测方面取得了令人瞩目的进步。然而，在大规模遥感图像中检测微小目标仍然具有挑战性。首先，极大的输入尺寸使得现有的目标检测解决方案在实际应用中过于缓慢。其次，复杂的大量背景导致严重的 false alarms。此外，超微小目标增加了准确检测的难度。为了解决这些问题，我们提出了一种名为遥感区域卷积神经网络（R2-CNN）的self-reinforced network，由主干网络Tiny-Net、中间的全局注意力块和最终的分类器和检测器组成。
R2CNN_Faster-RCNN_Tensorflow：基于Faster-RCNN的旋转区域检测
02-06
R2CNN_Faster_RCNN_Tensorflow 抽象 这是的张量流重新实现 。 应该注意的是，我们并没有完全按照本文的方式实施，而是采用了它的想法。 该项目基于 ，由和完成。 测试结果 比较方式 部分结果来自论文。 任务1-定向排行榜 方法 地图 PL 蓝光 BR GTF SV 左心室 SH TC 公元前 ST SBF RA 哈 SP HC 10.59 39.83 9.09 0.64 13.18 0.26 0.39 1.11 16.24 27.57 9.23 27.16 9.09 3.03 1.05 1.01 21.39 39.
IEEE TGRS2019|【论文笔记】R2-CNN: Fast Tiny Object Detection in Large-Scale Remote Sensing Images
yushancherry的博客
01-12 4325
R²-CNN: Fast Tiny Object Detection in Large-Scale Remote Sensing Images 快速轻量的大尺度遥感图像目标检测框架 在大尺度遥感图像中检测小物体一直是遥感图像目标检测的具有挑战性的问题。首先，遥感图像尺寸很大，检测过程很慢很难用于实际应用。其次，遥感图像背景复杂，造成严重的错误响应。同时，细小的目标增加了检测的难度。为了解...
R2-CNN: Fast Tiny Object Detection in Large-scale Remote Sensing Images论文解读
qq_18882399的博客
06-17 3588
一、研究动机 得益于卷积神经网络的迅速发展，目标检测作为计算视觉领域的基础任务也得到飞速发展，尤其是在日常场景（平视视角）中的数据集上表现喜人。但对于大尺度遥感图像的极小物体目标检测，其检测效果改进空间依旧很大。分析当前面临的挑战主要有以下几方面： （1）输入图片尺寸过大（18 000×18 192和27 620×29 200），现有目标检测方法效率 低。 （2）复杂背景对检测任务带来干扰（沙漠...
R2-CNN文本检测（Rotational Region CNN）
qq_41332469的博客
05-20 1112
总体框架 文章利用Faster R-CNN作为基本框架。 （1）使用RPN生成轴向对齐的包围框，包围着面向任意方向的文本； （2）对RPN提出的每一个文本框，用不同的pooled size ( 7 × 7, 11 ×3, 3 × 11 ) 进行池化，并利用连接的特征同时预测文本/非文本得分、轴向对齐框和倾斜最小面积框。 （3）最后，使用倾斜非最大抑制来获得检测结果 问题定义 在ICDAR 201...
R2CNN解读
m0_67619101的博客
08-06 171
2）roipooling时除了7*7的尺寸，还增加了3：11和11：3的两个大纵横比的尺寸（如何将这三种尺度不一样的feature拼接在一起论文也没说，个人猜测是用faster-rcnn图像预处理时将resize在一定范围内后的padding到相同尺寸一样）；他是先rpn生成水平框去把目标都包围住，然后在fast-rcnn部分预测倾斜框，这个倾斜框的预测是有水平框的限制条件的（具体论文没细说），然后回归是水平框和斜框一起回归，这样更有利于检测斜框的精度提高。
R2CNN翻译
ANDY
04-14 559
Abstract 在本文中，我们提出了一种称为旋转区域CNN（R2CNN）的新方法，用于检测自然场景图像中的任意方向的文本。 该框架基于Faster R-CNN [1]架构。 首先，我们使用区域提案网络（RPN）生成与轴对齐的边界框，该边界框将文本以不同的方向包围起来。 其次，对于RPN提出的每个轴对齐文本框，我们提取其具有不同合并大小的合并特征，并使用级联特征同时预测文本/非文本分数，轴对齐框和...
论文精读之R-CNN（Region-based Convolutional Networks for Accurate Object Detection and Segmentation）
weixin_44733295的博客
08-02 441
在测试时，文章的方法会为输入图像生成约 2000 个与类别无关的区域，使用 CNN 从每个区域中提取固定长度的特征向量，然后使用特定类别的线性 SVM 对每个区域进行分类。而滑动窗口通常用于受限对象类别，并且由于图像分辨率的影响，在卷积神经网络种感受野会很大，这使得在滑动窗口中进行精确定位非常困难。本文的第二个主要贡献是表明在数据稀缺的情况下，在大型辅助数据集 （ILSVRC）上进行有监督的预训练，然后在小型数据集（PASCAL）上进行特定领域的微调，是学习高容量CNN 的有效范例。
R-CNN（Region-based Convolutional Neural Network）论文解读
AlisaZqq
05-20 3653
R-CNN论文解读目录一、预备知识（0）PASCAL VOC（一）SIFT（二）HOG二、使用R-CNN进行目标检测（一）系统构成 目录 一、预备知识 （0）PASCAL VOC 网址：http://host.robots.ox.ac.uk/pascal/VOC/ （一）SIFT 尺度不变特征转换(Scale-invariant feature transform或SIFT) 是一种电脑视觉的算法...
R2CNN_Faster-RCNN_Tensorflow 项目教程
最新发布
gitblog_00671的博客
08-22 654
R2CNN_Faster-RCNN_Tensorflow 项目教程 1. 项目的目录结构及介绍 R2CNN_Faster-RCNN_Tensorflow 项目的目录结构如下： R2CNN_Faster-RCNN_Tensorflow/ ├── data/ │ ├── __init__.py │ ├── dataset.py │ ├── reader.py │ └── tfrecor...
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

小李AI飞刀^_^

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