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

最新推荐文章于 2023-07-25 11:01:45 发布
最新推荐文章于 2023-07-25 11:01:45 发布
阅读量5.1k 收藏 2
点赞数 1
分类专栏： Text Detection and Recognition
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.youkuaiyun.com/u010183397/article/details/76473071
版权
本文介绍了一种改进的文本检测网络，主要贡献在于引入了多尺度池化策略，并增加了倾斜框坐标回归，有效提升了文本检测精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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(focused scene text images that authors collected)+data-augmentation=39000

在ICDAR15上的性能：

PK其它方法：

ICDAR15:

ICDAR13:


R2CNN 论文详解
dexterod的博客
04-25 4027
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 for Orientation Robust Scene Text Detection》论文笔记
m_buddy的博客
05-12 1375
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】R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection
糯米丸子TAT的博客
11-26 2453
【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。 ...
R2CNN Rotational Region CNN
12-03
A Tensorflow implementation of FPN or R2CNN detection ... The paper references R2CNN Rotational Region CNN for Orientation Robust Scene Text Detection or Feature Pyramid Networks for Object Detection
R2CNN翻译
ANDY
04-14 514
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...
ROTATED REGION BASED CNN FOR SHIP DETECTION 基于旋转区域的CNN舰船检测
啥也不会的博客
11-22 1076
最先进的自然图像目标检测网络最近展示了令人印象深刻的性能。然而，高分辨率卫星图像中舰船检测的复杂性暴露了这些网络在遥感图像中常见的条状旋转组合目标检测方面的有限能力。基于旋转区域的CNN (RR-CNN)可以学习和准确提取旋转区域的特征，并对旋转物体进行精确定位。RR-CNN有三个重要的新组件，包括旋转感兴趣区域(RRoI)池化层、旋转边界盒回归模型和多任务之间的非最大抑制(NMS)多任务方法。在公共船舶数据集HRSC2016上的实验结果证实，RR-CNN的性能大大优于基线。
robust scene text recognition with automatic rectification
keyanxiaocaicai的专栏
09-13 1803
Shi B, Wang X, Lv P, et al. Robust Scene Text Recognition with Automatic Rectification[J]. arXiv preprint arXiv:1603.03915, 2016. 本文的贡献： 1. propose a novel scene text recognition method that is robu
读论文 CVPR_2017_Scene-Text-Detection Method Robust against Orientation and Discontiguous Components of
一步一脚印
09-15 998
写在前面：本文只为了自己日后忘记时，温习巩固用，本人没有做出任何见解，纯属方便回顾阅读。 -------------------------------------------------------------------------------------------------------------------------------------- 原文标题
ECCV 2020 ——RobustScanner: Dynamically Enhancing Positional Clues for Robust Text Recognition
一个nlp探险者的博客
08-18 936
引言 摘要 基于注意力的编解码框架最近在场景文本识别方面取得了令人瞩目的成果，并且随着识别质量的提高，出现了许多变体。然而，它在无上下文文本（如随机字符序列）上的性能较差，这在大多数实际应用场景中是不可接受的。本文首先深入研究了译码器的解码过程。实验发现，典型的字符级序列译码器不仅利用了上下文信息，而且还利用了位置信息。现有的大量依赖上下文信息的方法导致了注意力漂移的问题。为了抑制注意力漂移带来的副作用，我们提出了一种新的位置增强分支，并将其输出与解码器注意模块的输出动态融合，用于场景文本识别。具体地说，它
RobustScanner: Dynamically Enhancing Positional Clues for Robust Text Recognition —— 论文阅读笔记
学无止境
12-29 719
Paper : https://arxiv.org/abs/2007.07542v2 基于注意力的编码-解码结构的网络在缺少上下文信息的文本上表现不好（比如随机字符下图）。一个字符序列的解码不仅利用上下文信息也利用位置信息，但是在注意力机制中，严重依赖于上下文信息，随着时间步的增加，位置信息逐渐被淹没，会导致后边的字符出现对齐漂移和误识别。为了解决这个问题，提出了位置增强分支，并将其输出与注意力模块的输出动态融合。位置增强分支包含一个位置感知模块（使编码器编码自己的空间位置以输出自己的位置特征向量）和一.
【论文阅读】Fused Text Segmentation Network for Multi-oriented Scene Text Detection
elwangeij的博客
10-14 2238
欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl
~RCNN必须知道的内容
weixin_39732260的博客
07-31 3683
本文为根据大家的内容的摘取，不定时更新。有错误或不足之处，欢迎大家评论修改。 目录 一、IOU交并比 二、NMS非极大值抑制（Non-Maximum Suppression） ①什么是NMS ②NMS loss ③Soft-NMS 三、Selective Search原则（Sliding Window→Selective Search） 四、region proposals 五、...
论文阅读 R2 -CNN: Fast Tiny Object Detection in Large-scale Remote Sensing Images
最新发布
weixin_45935290的博客
07-25 324
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。
论文阅读笔记三：R2CNN：Rotational Region CNN for Orientation Robust Scene Text Detection(CVPR2017)...
weixin_33834910的博客
04-25 487
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...
Arbitrary-Oriented Ship Detection Based on Rotation Region Locating Networks in Large Scale Remote
practical_sharp的博客
03-09 629
Arbitrary-Oriented Ship Detection Based on Rotation Region Locating Networks in Large Scale Remote Sensing Images 论文地址：https://sci-hub.se/10.1109/ICIVC47709.2019.8981006 论文发表2019 IEEE 4th International Conference on Image, Vision and Computing 声明一下这不是很好的会
评论 3
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
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